Formation Kubeflow on AWS

Cette formation en direct (en ligne ou sur site) est destinée aux data scientists qui souhaitent aller au-delà de la construction de modèles ML et optimiser le processus de création, de suivi et de déploiement des modèles ML.

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer MLflow et les bibliothèques et frameworks de ML associés.
• Apprécier l'importance de la traçabilité, de la reproductibilité et de la déployabilité d'un modèle ML
.
• Déployer des modèles de ML sur différents clouds publics, plateformes ou serveurs sur site.
• Mettre à l'échelle le processus de déploiement du ML afin d'accueillir plusieurs utilisateurs collaborant à un projet.
• Mettre en place un registre central pour expérimenter, reproduire et déployer des modèles de ML.

Cette formation en direct avec instructeur en <loc> ; (en ligne ou sur site) est destinée aux développeurs qui souhaitent intégrer une base de données DynamoDB NoSQL dans une application web hébergée sur AWS.

A l'issue de cette formation, les participants seront capables de :

• Mettre en place l'environnement de développement nécessaire pour commencer à intégrer des données dans DynamoDB.
• Intégrer DynamoDB dans les applications web et les applications mobiles.
• Mouvoir les données dans AWS avec les services AWS.
• Implémenter des opérations avec AWS DAX.

Cette formation en direct avec instructeur (en ligne ou sur site) s'adresse aux ingénieurs et développeurs qui souhaitent utiliser CloudFormation pour gérer les ressources d'infrastructure au sein de l'écosystème AWS.

A l'issue de cette formation, les participants seront capables de :

• Mettre en place des modèles CloudFormation pour automatiser la gestion de l'infrastructure.
• Intégrer les ressources AWS existantes dans CloudFormation.
• Utiliser les StackSets pour gérer les piles sur plusieurs comptes et régions.

Cette formation en direct (en ligne ou sur site) est destinée aux ingénieurs qui souhaitent utiliser AWS CloudFormation pour automatiser le processus de gestion de l'infrastructure en nuage AWS.

A l'issue de cette formation, les participants seront capables de :

• Activer les services AWS pour commencer à gérer l'infrastructure.
• Comprendre et appliquer le principe de "l'infrastructure en tant que code" ;.
• Améliorer la qualité et réduire les coûts de déploiement de l'infrastructure.
• Écrire AWS CloudFormation modèles en utilisant YAML.

Cette formation en direct avec instructeur in <loc> ; (sur site ou à distance) est destinée aux ingénieurs qui souhaitent déployer et gérer des appareils IoT sur AWS.

À la fin de cette formation, les participants seront en mesure de construire une plateforme IoT qui comprend le déploiement et la gestion d'un backend, d'une passerelle et d'appareils sur AWS.

Cette formation en direct avec instructeur (en ligne ou sur site) s'adresse aux développeurs qui souhaitent installer, configurer et gérer les capacités de AWS IoT Greengrass afin de créer des applications pour divers appareils.

À l'issue de cette formation, les participants seront en mesure d'utiliser AWS IoT Greengrass pour créer, déployer, gérer, sécuriser et surveiller des applications sur des appareils intelligents.

Résumé :

• Principes de base de l'architecture et des fonctions de l'IdO
• Les "objets", les "capteurs", l'internet et la correspondance entre les fonctions commerciales de l'IdO
• Essentiel de tous les composants logiciels de l'IdO - matériel, micrologiciel, intergiciel, nuage et application mobile
• Fonctions de l'IdO - Gestionnaire de flotte, visualisation des données, FM et DV basés sur SaaS, alerte/alarme, intégration des capteurs, intégration des "choses", géofencing
• Bases de la communication des appareils IoT avec le cloud grâce à MQTT.
• Connexion des appareils IoT à AWS avec MQTT (AWS IoT Core).
• Connexion du noyau AWS IoT avec la fonction AWS Lambda pour le calcul et le stockage des données.
• Connexion de Raspberry PI avec le noyau AWS IoT et communication simple de données.
• Alertes et événements
• Calibration des capteurs

Résumé :

• Principes de base de l'architecture et des fonctions de l'IdO
• Les "objets", les "capteurs", l'Internet et la correspondance entre les fonctions commerciales de l'IdO
• Essentiel de tous les composants logiciels de l'IdO - matériel, micrologiciel, intergiciel, nuage et application mobile
• Fonctions de l'IdO - Gestionnaire de flotte, visualisation des données, FM et DV basés sur SaaS, alerte/alarme, intégration des capteurs, intégration des "choses", géofencing
• Bases de la communication des appareils IoT avec le cloud grâce à MQTT.
• Connexion des appareils IoT à AWS avec MQTT (AWS IoT Core).
• Connecter AWS IoT core avec AWS Lambda function pour le calcul et le stockage des données en utilisant DynamoDB.
• Connexion de Raspberry PI avec AWS IoT core et communication simple de données.
• Travaux pratiques avec Raspberry PI et AWS IoT Core pour construire un appareil intelligent.
• Visualisation des données de capteurs et communication avec une interface web.

Cette formation en direct avec instructeur en <loc> ; (en ligne ou sur site) est destinée aux développeurs qui souhaitent intégrer des applications et des services AWS Lambda avec d'autres services (API Gateway, Kinesis Streams, etc.). La formation montre comment utiliser l'IDE AWS Cloud9 basé sur un navigateur pour développer des logiciels de manière collaborative ;

A l'issue de cette formation, les participants seront capables de :

• Développer en collaboration des fonctions, des applications et des services à l'aide de l'IDE AWS Cloud9.
• Intégrer des fonctions AWS Lambda avec d'autres services AWS.
• Créer et gérer des API.
• Mettre en place une fonction AWS Lambda pour lire et traiter des données en temps réel.
• Créer et gérer un pipeline d'intégration continue pour construire, tester et déployer des fonctions et des applications AWS Lambda.

Cette formation en direct avec instructeur in <loc> ; (sur site ou à distance) s'adresse aux développeurs qui souhaitent utiliser AWS Lambda pour construire et déployer des services et des applications dans le nuage, sans avoir à se soucier du provisionnement de l'environnement d'exécution (serveurs, VM et conteneurs, disponibilité, évolutivité, stockage, etc.)

A l'issue de cette formation, les participants seront capables de :

• Configurer AWS Lambda pour exécuter une fonction.
• Comprendre FaaS (Functions as a Service) et les avantages du développement sans serveur.
• Construire, télécharger et exécuter des fonctions AWS Lambda.
• Intégrer les fonctions Lambda avec différentes sources d'événements.
• Packager, déployer, surveiller et dépanner les applications basées sur Lambda.

Cette formation en direct avec instructeur (en ligne ou sur site) est destinée aux ingénieurs qui souhaitent déployer des charges de travail Machine Learning dans le nuage Azure.

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer Kubernetes, Kubeflow et d'autres logiciels nécessaires sur Azure.
• Utiliser Azure Kubernetes Service (AKS) pour simplifier le travail d'initialisation d'un cluster Kubernetes sur Azure.
• Créer et déployer un pipeline Kubernetes pour automatiser et gérer les modèles ML en production.
• Entraîner et déployer TensorFlow modèles ML sur plusieurs GPU et machines fonctionnant en parallèle.
• Mettre à profit d'autres services gérés AWS pour étendre une application ML.

Cette formation en direct avec instructeur (en ligne ou sur site) s'adresse aux ingénieurs qui souhaitent déployer des charges de travail Machine Learning sur Google Cloud Platform (GCP).

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer Kubernetes, Kubeflow et d'autres logiciels nécessaires sur GCP et GKE.
• Utiliser GKE (Kubernetes Kubernetes Engine) pour simplifier le travail d'initialisation d'un cluster Kubernetes sur GCP.
• Créer et déployer un pipeline Kubernetes pour automatiser et gérer les modèles ML en production.
• Entraîner et déployer TensorFlow modèles ML sur plusieurs GPU et machines fonctionnant en parallèle.
• Mettre à profit d'autres services GCP pour étendre une application ML.

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux ingénieurs qui souhaitent déployer des charges de travail Machine Learning sur IBM Cloud Kubernetes Service (IKS).

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer Kubernetes, Kubeflow et d'autres logiciels nécessaires sur IBM Cloud Kubernetes Service (IKS).
• Utiliser IKS pour simplifier le travail d'initialisation d'un cluster Kubernetes sur IBM Cloud.
• Créer et déployer un pipeline Kubernetes pour automatiser et gérer les modèles ML en production.
• Entraîner et déployer TensorFlow modèles ML sur plusieurs GPU et machines fonctionnant en parallèle.
• Mettre à profit d'autres services IBM Cloud pour étendre une application ML.

Cette formation en direct avec instructeur (en ligne ou sur site) s'adresse aux ingénieurs qui souhaitent évaluer les approches et les outils disponibles aujourd'hui afin de prendre une décision intelligente sur la voie à suivre pour adopter MLOps au sein de leur organisation.

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer divers cadres et outils MLOps.
• Assembler le bon type d'équipe avec les bonnes compétences pour construire et soutenir un système MLOps.
• Préparer, valider et modifier les données à utiliser par les modèles de ML.
• Comprendre les composants d'un pipeline de ML et les outils nécessaires pour en construire un.
• Expérimenter avec différents frameworks d'apprentissage automatique et serveurs pour le déploiement en production.
• Opérationnaliser l'ensemble du processus d'apprentissage automatique de manière à ce qu'il soit reproductible et maintenable.

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux développeurs et aux scientifiques des données qui souhaitent construire, déployer et gérer des flux de travail d'apprentissage automatique sur Kubernetes.

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer Kubeflow sur site et dans le cloud à l'aide d'AWS EKS (Elastic Kubernetes Service).
• Construire, déployer et gérer des flux de travail de ML basés sur des conteneurs Docker et Kubernetes.
• Exécuter des pipelines d'apprentissage automatique entiers sur diverses architectures et environnements cloud.
• Utiliser Kubeflow pour créer et gérer des blocs-notes Jupyter.
• Construire des charges de travail d'entraînement ML, de réglage d'hyperparamètres et de service sur plusieurs plateformes.