MLOps for Azure Machine Learning Schulung

Diese von einem Trainer geleitete Live-Schulung in Schweiz (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 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 in Schweiz (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.

Der Azure Bot-Dienst kombiniert die Funktionen von Microsoft Bot Framework und Azure , um die schnelle Entwicklung intelligenter Bots zu ermöglichen.

In diesem von Lehrern geleiteten Live-Training lernen die Teilnehmer, wie sie mit Microsoft Azure auf einfache Weise einen intelligenten Bot erstellen können

Am Ende dieser Schulung können die Teilnehmer:

• Die Grundlagen intelligenter Bots erlernen
• Erfahren, wie man mit Cloud-Anwendungen intelligente Bots erstellt
• Begreifen, wie man das Microsoft Bot Framework, den Bot Builder SDK und den Azure Bot-Dienst nutzt
• Die Erstellung von Bots mithilfe von Bot-Mustern verstehen
• Ihren ersten intelligenten Bot mit Microsoft Azure entwickeln

Publikum

• Entwickler
• Hobbyisten
• Ingenieure
• IT-Professionals

Format des Kurses

• Theoretische Einführung, Diskussionen, Übungen und praktisches Training

In dieser von einem Trainer geführten Live-Ausbildung in Schweiz (vor Ort oder remote) lernen die Teilnehmer die grundlegenden Konzepte, Komponenten und Dienste von Microsoft Azure, während sie eine Beispiel-Cloud-Anwendung erstellen.

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

• Die Grundlagen von Microsoft Azure zu verstehen
• Die verschiedenen Azure-Tools und -Dienste kennenzulernen
• Zu lernen, wie man Azure zur Erstellung von Cloud-Anwendungen verwendet

Internet of Things (IoT) ist eine Netzwerkinfrastruktur, die physische Objekte und Softwareanwendungen drahtlos miteinander verbindet und es ihnen ermöglicht, miteinander zu kommunizieren und Daten über Netzwerkkommunikation, Cloud Computing und Datenerfassung auszutauschen. Azure ist ein umfassender Satz von Cloud-Diensten, der eine IoT-Suite aus vorkonfigurierten Lösungen bietet, die Entwicklern helfen, die Entwicklung von IoT-Projekten zu beschleunigen.

In dieser von einem Trainer geleiteten Live-Schulung lernen die Teilnehmer, wie sie IoT-Anwendungen mit Azure entwickeln.

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

• die Grundlagen der IoT-Architektur zu verstehen
• Installation und Konfiguration der Azure IoT Suite
• die Vorteile der Verwendung von Azure bei der Programmierung von IoT-Systemen kennenlernen
• Verschiedene Azure IoT-Dienste implementieren (IoT Hub, Funktionen, Stream Analytics, Power BI, Cosmos DB, DocumentDB, IoT Device Management)
• Aufbau, Test, Bereitstellung und Fehlerbehebung eines IoT-Systems mit Azure

Zielgruppe

• Entwickler
• Ingenieure

Format des Kurses

• Teilweise Vorlesung, teilweise Diskussion, Übungen und umfangreiche praktische Übungen

Hinweis

• Wenn Sie eine maßgeschneiderte Schulung für diesen Kurs wünschen, nehmen Sie bitte Kontakt mit uns auf, um dies zu vereinbaren.

Diese von einem Trainer geleitete Live-Schulung in Schweiz (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 Schweiz (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.

In dieser von einem Trainer geleiteten Live-Schulung in Schweiz (online oder vor Ort) lernen die Teilnehmer, wie sie eine Container-Umgebung im Produktionsmaßstab mit Kubernetes auf AKS einrichten und verwalten.

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

• Kubernetes auf AKS zu konfigurieren und zu verwalten.
• Einen Kubernetes-Cluster einzurichten, zu verwalten und zu skalieren.
• Containerisierte (Docker) Anwendungen auf Azure bereitzustellen.
• Eine bestehende Kubernetes-Umgebung von vor Ort in die AKS-Cloud migrieren.
• Integrieren Sie Kubernetes mit Continuous Integration (CI) Software von Drittanbietern.
• Sicherstellung von Hochverfügbarkeit und Disaster Recovery in Kubernetes.

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 Schweiz (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.