Online Kubeflow Schulung in Deutschland

Kubeflow ist eine Open-Source-Plattform, die entwickelt wurde, um das Erstellen, Training und Bereitstellen von Machine-Learning-Aufgaben in Kubernetes zu vereinfachen.

Dieses von einem Dozenten geleitete Live-Training (online oder vor Ort) richtet sich an Anfänger- bis Fortgeschrittenene, die lernen möchten, verlässliche ML-Workflows mit Kubeflow zu erstellen.

Nach Abschluss dieses Trainings werden die Teilnehmer die Fähigkeiten erworben haben, um:

• Sich in das Kubeflow-Ökosystem und die Kernkomponenten zu navigieren.
• Wiederholbare Workflows mit Kubeflow Pipelines zu erstellen.
• Skalierbare Training-Jobs in Kubernetes auszuführen.
• Maschinelles Lernen-Modelle effizient mit Kubeflow Serving bereitzustellen.

Kursformat

• Geführte Präsentationen und kooperative Diskussionen.
• Hands-on-Lab mit echten Kubeflow-Komponenten.
• Praktische Übungen zum Erstellen von end-to-end-ML-Workflows.

Kursanpassungsoptionen

• Angepasste Versionen dieses Trainings können angeordnet werden, um sich an die Technologie-Stack und Projektanforderungen Ihres Teams anzupassen.

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.

Dieses von einem Dozenten geleitete, live Training (online oder vor Ort) richtet sich an Ingenieure, die Machine Learning Workloads auf einem AWS EC2 Server bereitstellen möchten.

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

• Kubernetes, Kubeflow und andere benötigte Software auf AWS zu installieren und zu konfigurieren.
• EKS (Elastic Kubernetes Service) zu verwenden, um die Arbeit der Initialisierung eines Kubernetes Clusters auf AWS zu vereinfachen.
• Einen Kubernetes Pipeline zu erstellen und bereitzustellen, um die Automatisierung und Verwaltung von ML Modellen in Produktion zu steuern.
• TensorFlow ML Modelle über mehrere GPUs und Maschinen hinweg, die parallel laufen, zu trainieren und bereitzustellen.
• Andere verwaltete AWS Dienste zu nutzen, um eine ML Anwendung zu erweitern.

Dieses durch einen Trainer geleitete, live-Training in Deutschland (online oder vor Ort) richtet sich an Ingenieure, die Machine Learning-Arbeitslasten in der Azure Cloud bereitstellen möchten.

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

• Kubernetes, Kubeflow und andere benötigte Software auf Azure zu installieren und zu konfigurieren.
• Azure Kubernetes Service (AKS) zur Vereinfachung der Initialisierung eines Kubernetes-Clusters in Azure zu verwenden.
• Eine Kubernetes-Pipeline zur Automatisierung und Verwaltung von ML-Modellen in der Produktion zu erstellen und bereitzustellen.
• TensorFlow-ML-Modelle auf mehreren GPUs und Maschinen, die parallel laufen, zu trainieren und bereitzustellen.
• Andere verwaltete AWS-Dienste zur Erweiterung einer ML-Anwendung zu nutzen.

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.