MLOps for Azure Machine Learning Schulung

Diese von einem Trainer geleitete Live-Schulung in Deutschland (online oder vor Ort) richtet sich an fortgeschrittene KI-Ingenieure und Datenwissenschaftler mit mittlerer bis fortgeschrittener Erfahrung, die die DeepSeek-Modellleistung verbessern, Latenzzeiten minimieren und KI-Lösungen mit modernen MLOps-Praktiken effizient einsetzen möchten.

Am Ende dieses Kurses werden die Teilnehmer in der Lage sein:

• Optimieren von DeepSeek-Modellen hinsichtlich Effizienz, Genauigkeit und Skalierbarkeit.
• Best Practices für MLOps und Modellversionierung zu implementieren.
• DeepSeek-Modelle in einer Cloud- und On-Premise-Infrastruktur bereitzustellen.
• KI-Lösungen effektiv zu überwachen, zu warten und zu skalieren.

Diese instructor-geführte, Live-Schulung (online oder vor Ort) richtet sich an Fachleute mit mittleren bis fortgeschrittenen Kenntnissen, die KI-gestützte Cloud-Anwendungen mit Microsoft Azure erstellen und bereitstellen möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Ereignisgesteuerte und serverlose Anwendungen mit Azure Functions zu entwickeln.
• Azure Speicherlösungen und virtuelle Maschinen zu verwalten.
• Webanwendungen mithilfe von Azure App Service und Docker Containern bereitzustellen und zu skalieren.
• KI, maschinelles Lernen und Verarbeitung natürlicher Sprache mithilfe von Azure AI Services zu integrieren.
• GitHub Copilot nutzen, um die Entwicklung von KI-gesteuerten Cloud-Anwendungen zu unterstützen.

Diese von einem Trainer geleitete Live-Schulung in Deutschland (online oder vor Ort) richtet sich an Ingenieure, die die Drag-and-Drop-Plattform von Azure ML nutzen möchten, um Machine Learning Workloads bereitzustellen, ohne Software und Hardware kaufen zu müssen und ohne sich um Wartung und Bereitstellung kümmern zu müssen.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Hochpräzise Machine-Learning-Modelle mit Python, R oder Zero-Code-Tools zu schreiben.
• Nutzung der in Azure verfügbaren Datensätze und Algorithmen zum Trainieren und Verfolgen von Machine-Learning- und Deep-Learning-Modellen.
• Nutzen Sie den interaktiven Arbeitsbereich von Azure, um gemeinsam ML-Modelle zu entwickeln.
• Wählen Sie aus verschiedenen Azure-unterstützten ML-Frameworks wie PyTorch, TensorFlow und scikit-learn.

Microsoft Azure Infrastruktur und Bereitstellung

Diese Schulung ermöglicht es den Teilnehmern, ihre Microsoft Azure-Lösungsdesignfähigkeiten zu verbessern.

Nach dieser Schulung verstehen die Teilnehmer die Funktionen und Möglichkeiten von Azure-Diensten, können Kompromisse erkennen und Entscheidungen für die Gestaltung von Public- und Hybrid-Cloud-Lösungen treffen.

Während der Schulung werden die geeigneten Infrastruktur- und Plattformlösungen definiert, um die erforderlichen funktionalen, betrieblichen und Bereitstellungsanforderungen während des Lebenszyklus der Lösung zu erfüllen.

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an DevOps Ingenieure, Entwickler und Projektmanager, die Azure DevOps nutzen möchten, um optimierte Unternehmensanwendungen schneller als mit herkömmlichen Entwicklungsmethoden zu erstellen und bereitzustellen.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Das grundlegende DevOps Vokabular und die Prinzipien verstehen.
• Installieren und konfigurieren Sie die notwendigen Azure DevOps Tools für die Softwareentwicklung.
• Die Azure DevOps-Tools und -Dienste nutzen, um sich kontinuierlich an den Markt anzupassen.
• Unternehmensanwendungen erstellen und aktuelle Entwicklungsprozesse mit Azure DevOps-Lösungen bewerten.
• Teams effizienter verwalten und die Zeit für die Softwarebereitstellung verkürzen.
• Einführen von DevOps-Entwicklungspraktiken innerhalb der Organisation.

Diese von einem Trainer geleitete Live-Schulung in Deutschland (online oder vor Ort) richtet sich an Entwickler, die lernen möchten, wie man Microservices auf Microsoft Azure Service Fabric (ASF) aufbaut.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein,:

• ASF als Plattform für den Aufbau und die Verwaltung von Microservices zu nutzen.
• Die wichtigsten Konzepte und Modelle für die Programmierung von Microservices zu verstehen.
• Einen Cluster in Azure zu erstellen.
• Microservices vor Ort oder in der Cloud bereitstellen.
• Debuggen und Fehlersuche in einer laufenden Microservice-Anwendung.

Diese von einem Trainer geleitete Live-Schulung in Deutschland (online oder vor Ort) richtet sich an Entwickler und Datenwissenschaftler, die Workflows für maschinelles Lernen auf Kubernetes erstellen, einsetzen und verwalten möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein,:

• Installation und Konfiguration von Kubeflow vor Ort und in der Cloud mit AWS EKS (Elastic Kubernetes Service).
• ML-Workflows auf der Grundlage von Docker-Containern und Kubernetes zu erstellen, bereitzustellen und zu verwalten.
• Ausführen ganzer Pipelines für maschinelles Lernen auf verschiedenen Architekturen und Cloud-Umgebungen.
• Verwendung von Kubeflow zum Erzeugen und Verwalten von Jupyter-Notebooks.
• ML-Training, Hyperparameter-Tuning und Serving-Workloads über mehrere Plattformen hinweg erstellen.

Diese von einem Trainer geleitete Live-Schulung in Deutschland (online oder vor Ort) richtet sich an Entwickler und Datenwissenschaftler, die Workflows für maschinelles Lernen auf Kubernetes erstellen, einsetzen und verwalten möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein,:

• Installation und Konfiguration von Kubeflow vor Ort und in der Cloud.
• ML-Workflows auf der Grundlage von Docker-Containern und Kubernetes zu erstellen, bereitzustellen und zu verwalten.
• Ganze Pipelines für maschinelles Lernen auf verschiedenen Architekturen und Cloud-Umgebungen auszuführen.
• Verwendung von Kubeflow zum Erstellen und Verwalten von Jupyter-Notebooks.
• ML-Training, Hyperparameter-Tuning und Serving-Workloads über mehrere Plattformen hinweg erstellen.

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Ingenieure, die Machine Learning Arbeitslasten auf einem AWS EC2-Server bereitstellen möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Installieren und konfigurieren Sie Kubernetes, Kubeflow und andere benötigte Software auf AWS.
• Verwenden Sie EKS (Elastic Kubernetes Service), um die Initialisierung eines Kubernetes-Clusters auf AWS zu vereinfachen.
• Erstellen und Bereitstellen einer Kubernetes-Pipeline zur Automatisierung und Verwaltung von ML-Modellen in der Produktion.
• Trainieren und Bereitstellen von TensorFlow ML-Modellen auf mehreren parallel laufenden GPUs und Rechnern.
• Nutzen Sie andere verwaltete AWS-Services, um eine ML-Anwendung zu erweitern.

Diese von einem Trainer geleitete Live-Schulung (online oder vor Ort) richtet sich an Techniker, die Machine Learning Workloads in der Azure-Cloud bereitstellen möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Installieren und konfigurieren Sie Kubernetes, Kubeflow und andere benötigte Software auf Azure.
• Verwenden Sie Azure Kubernetes Service (AKS), um die Initialisierung eines Kubernetes-Clusters auf Azure zu vereinfachen.
• Erstellen und Bereitstellen einer Kubernetes-Pipeline zur Automatisierung und Verwaltung von ML-Modellen in der Produktion.
• Trainieren und Bereitstellen von TensorFlow ML-Modellen auf mehreren parallel laufenden GPUs und Computern.
• Nutzen Sie andere verwaltete AWS-Services, um eine ML-Anwendung zu erweitern.

Diese Live-Schulung unter Anleitung (online oder vor Ort) richtet sich an Datenwissenschaftler, die über die Erstellung von ML-Modellen hinausgehen und den Prozess der Erstellung, Verfolgung und Bereitstellung von ML-Modellen optimieren möchten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein,:

• Installation und Konfiguration von MLflow und verwandten ML-Bibliotheken und -Frameworks.
• die Bedeutung der Nachvollziehbarkeit, Reproduzierbarkeit und Einsatzfähigkeit eines ML-Modells zu erkennen
• ML-Modelle auf verschiedenen öffentlichen Clouds, Plattformen oder On-Premise-Servern bereitzustellen.
• Skalierung des ML-Bereitstellungsprozesses, um die Zusammenarbeit mehrerer Benutzer an einem Projekt zu ermöglichen.
• Einrichtung eines zentralen Registers, um mit ML-Modellen zu experimentieren, sie zu reproduzieren und einzusetzen.

Diese von einem Ausbilder geleitete Live-Schulung in Deutschland (online oder vor Ort) richtet sich an Ingenieure, die die heute verfügbaren Ansätze und Werkzeuge bewerten möchten, um eine intelligente Entscheidung über den weiteren Weg bei der Einführung von MLOps in ihrem Unternehmen zu treffen.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein,:

• Verschiedene MLOps-Frameworks und -Tools zu installieren und zu konfigurieren.
• Das richtige Team mit den richtigen Fähigkeiten für den Aufbau und die Unterstützung eines MLOps-Systems zusammenzustellen.
• Daten für die Verwendung durch ML-Modelle vorzubereiten, zu validieren und zu versionieren.
• Verstehen der Komponenten einer ML-Pipeline und der für den Aufbau einer solchen benötigten Werkzeuge.
• Experimentieren mit verschiedenen Frameworks für maschinelles Lernen und Servern für den Einsatz in der Produktion.
• Operationalisierung des gesamten Machine Learning Prozesses, so dass er reproduzierbar und wartbar ist.