Online eller på plats, instruktörsledda MLOps-utbildningar visar genom interaktiv praktisk övning hur man använder MLOps-verktyg för att automatisera och optimera driftsättning och underhåll av ML-system i produktionen. MLOps-träning är tillgänglig som "online live-träning" eller "live-träning på plats". Liveträning online (alias "fjärrlivsutbildning") utförs med hjälp av ett interaktivt fjärrskrivbord . Liveträning på plats kan genomföras lokalt i kundlokaler i Östergötland eller i NobleProgs företagsutbildningscenter i Östergötland. NobleProg -- Din lokala utbildningsleverantör
Linköping
NobleProg klassrum i Scandic Linköping, Gamla Tanneforsvägen 51, Linköping, sweden, 582 54
Scandic Linköping City är en modern konferensplats. Det ligger i centrala Linköping och även nära Linköpings domkyrka och Linköpings trädgårdsförening. Linköpings flygplats ligger bara 5 minuters bilresa från konferenscentret. Andra kända landmärken som det svenska flygvapnet och Gamla stan ligger bara 10 minuters bilresa.
Denna instruktörsledda, liveträning i Östergötland (online eller på plats) riktar sig till AI-ingenjörer och datavetare på avancerad nivå med erfarenhet på mellanliggande till avancerad nivå som vill förbättra DeepSeek modellprestanda, minimera latenstid och effektivt distribuera AI-lösningar med moderna MLOps metoder.
Vid slutet av denna utbildning kommer deltagarna att kunna:
Optimera DeepSeek modeller för effektivitet, noggrannhet och skalbarhet.
Implementera bästa metoder för MLOps och versionshantering av modeller.
Distribuera DeepSeek modeller på moln- och lokala infrastrukturer.
Övervaka, underhålla och skala AI-lösningar på ett effektivt sätt.
Den här instruktörsledda, liveutbildningen i Östergötland (online eller på plats) riktar sig till utvecklare och datavetare som vill skapa, distribuera och hantera arbetsflöden för maskininlärning på Kubernetes.
I slutet av denna utbildning kommer deltagarna att kunna:
Installera och konfigurera Kubeflow på plats och i molnet med hjälp av AWS EKS (Elastic Kubernetes Service).
Skapa, distribuera och hantera ML-arbetsflöden baserat på Docker containrar och Kubernetes.
Kör hela pipelines för maskininlärning på olika arkitekturer och molnmiljöer.
Använda Kubeflow för att skapa och hantera Jupyter Notebooks.
Skapa ML-träning, justering av hyperparametrar och hantering av arbetsbelastningar på flera plattformar.
Den här instruktörsledda, liveutbildningen i Östergötland (online eller på plats) riktar sig till utvecklare och datavetare som vill skapa, distribuera och hantera arbetsflöden för maskininlärning på Kubernetes.
I slutet av denna utbildning kommer deltagarna att kunna:
Installera och konfigurera Kubeflow lokalt och i molnet.
Skapa, distribuera och hantera ML-arbetsflöden baserat på Docker containrar och Kubernetes.
Kör hela pipelines för maskininlärning på olika arkitekturer och molnmiljöer.
Använda Kubeflow för att skapa och hantera Jupyter Notebooks.
Skapa ML-träning, justering av hyperparametrar och hantering av arbetsbelastningar på flera plattformar.
Denna instruktörsledda, liveutbildning i Östergötland (online eller på plats) riktar sig till ingenjörer som vill distribuera Machine Learning arbetsbelastningar till en AWS EC2-server.
I slutet av denna utbildning kommer deltagarna att kunna:
Installera och konfigurera Kubernetes, Kubeflow och annan nödvändig programvara på AWS.
Använd EKS (Elastic Kubernetes Service) för att förenkla arbetet med att initiera ett Kubernetes-kluster på AWS.
Skapa och distribuera en Kubernetes-pipeline för automatisering och hantering av ML-modeller i produktion.
Träna och distribuera TensorFlow ML-modeller över flera GPU:er och maskiner som körs parallellt.
Utnyttja andra AWS-hanterade tjänster för att utöka en ML-applikation.
Denna instruktörsledda, liveutbildning i Östergötland (online eller på plats) riktar sig till ingenjörer som vill distribuera Machine Learning arbetsbelastningar till Azure-molnet.
I slutet av denna utbildning kommer deltagarna att kunna:
Installera och konfigurera Kubernetes, Kubeflow och annan nödvändig programvara på Azure.
Använd Azure Kubernetes Service (AKS) för att förenkla arbetet med att initiera ett Kubernetes-kluster på Azure.
Skapa och distribuera en Kubernetes-pipeline för automatisering och hantering av ML-modeller i produktion.
Träna och distribuera TensorFlow ML-modeller över flera GPU:er och maskiner som körs parallellt.
Utnyttja andra AWS-hanterade tjänster för att utöka en ML-applikation.
Denna instruktörsledda, liveutbildning (online eller på plats) riktar sig till datavetare som vill gå längre än att bygga ML-modeller och optimera skapandet, spårningen och distributionsprocessen för ML-modeller.
I slutet av denna utbildning kommer deltagarna att kunna:
Installera och konfigurera MLflow och relaterade ML-bibliotek och ramverk.
Uppskatta vikten av spårbarhet, reproducerbarhet och distribuerbarhet av en ML-modell
Distribuera ML-modeller till olika offentliga moln, plattformar eller lokala servrar.
Skala ML-distributionsprocessen så att den rymmer flera användare som samarbetar i ett projekt.
Konfigurera ett centralt register för att experimentera med, återskapa och distribuera ML-modeller.
Denna instruktörsledda, liveutbildning i Östergötland (online eller på plats) riktar sig till ingenjörer som vill utvärdera de metoder och verktyg som finns tillgängliga idag för att fatta ett intelligent beslut om vägen framåt för att införa MLOps inom sin organisation.
I slutet av denna utbildning kommer deltagarna att kunna:
Installera och konfigurera olika MLOps ramverk och verktyg.
Sätt ihop rätt typ av team med rätt kompetens för att konstruera och stödja ett MLOps system.
Förbereda, validera och versionshantera data för användning av ML-modeller.
Förstå komponenterna i en ML Pipeline och de verktyg som behövs för att skapa en.
Experimentera med olika ramverk för maskininlärning och servrar för distribution till produktion.
Operationalisera hela Machine Learning-processen så att den kan återskapas och underhållas.
Denna instruktörsledda, liveutbildning (online eller på plats) riktar sig till maskininlärningsingenjörer som vill använda Azure Machine Learning och Azure DevOps för att underlätta MLOps metoder.
I slutet av denna utbildning kommer deltagarna att kunna:
Skapa reproducerbara arbetsflöden och maskininlärningsmodeller.
Hantera livscykeln för maskininlärning.
Spåra och rapportera modellens versionshistorik, tillgångar med mera.
Distribuera produktionsklara maskininlärningsmodeller var som helst.
LÄS MER...
Last Updated:
Vittnesmål (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Kurs - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
MLOps kurs i Östergötland, Helg MLOps kurs i Östergötland, kväll MLOps utbildning i Östergötland, MLOps instruktörledd kurs Östergötland, MLOps bootcamp i Östergötland, Helg MLOps utbildning i Östergötland, MLOps utbildning i Östergötland, kväll MLOps kurs i Östergötland, MLOps privata kurser i Östergötland, MLOps coaching i Östergötland, MLOps instruktörledd kurs i Östergötland, MLOps instruktör i Östergötland, MLOps en till en utbildning i Östergötland, MLOps on-site i Östergötland, MLOps klasser i Östergötland
