Formation Kubeflow on Azure

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 à Belgique (en ligne ou sur site) est destinée aux développeurs qui souhaitent apprendre à construire des microservices sur Microsoft Azure Service Fabric (ASF).

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

• Utiliser ASF comme plateforme pour construire et gérer des microservices.
• Comprendre les concepts et modèles clés de programmation de microservices.
• Créer un cluster dans Azure.
• Déployer des microservices sur site ou dans le cloud.
• Déboguer et dépanner une application de microservices en direct.

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 un serveur AWS EC2.

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

• Installer et configurer Kubernetes, Kubeflow et d'autres logiciels nécessaires sur AWS.
• Utiliser EKS (Elastic Kubernetes Service) pour simplifier le travail d'initialisation d'un cluster Kubernetes sur AWS.
• 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.

Cette formation en direct (en ligne ou sur site) est destinée aux ingénieurs qui souhaitent déployer des charges de travail d'apprentissage automatique dans un OpenShift nuage sur site ou hybride.

• À l'issue de cette formation, les participants seront capables de :
• Installer et configurer Kubernetes et Kubeflow sur un cluster OpenShift.
• Utiliser OpenShift pour simplifier le travail d'initialisation d'un cluster Kubernetes.
• 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.
• Appeler des services de cloud public (par exemple, des services AWS) à partir d'OpenShift pour étendre une application ML
.

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.
• Construire, déployer et gérer des flux de travail de ML basés sur des conteneurs Docker et Kubernetes.
• Exécuter des pipelines d'apprentissage machine entiers sur diverses architectures et environnements cloud.
• Utiliser Kubeflow pour engendrer et gérer des carnets Jupyter.
• Construire des charges de travail d'entraînement ML, de réglage d'hyperparamètres et de service sur plusieurs plateformes.

Cette formation en direct avec instructeur (en ligne ou sur site) est destinée aux ingénieurs qui souhaitent utiliser la plateforme " drag-and-drop " d'Azure ML pour déployer des charges de travail Machine Learning sans avoir à acheter des logiciels et du matériel et sans avoir à se préoccuper de la maintenance et du déploiement.

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

• Écrire des modèles d'apprentissage automatique très précis à l'aide de Python, R ou d'outils à code zéro.
Utilisez l'espace de travail interactif d'Azure pour développer des modèles de ML en collaboration.

Microsoft Azure Infrastructure et déploiement

Cette formation permet aux délégués d’améliorer leurs compétences en conception de solutions Microsoft Azure . Après cette formation, le délégué comprendra les fonctionnalités et les fonctionnalités des services Azure pour pouvoir identifier les compromis et prendre des décisions en matière de conception de solutions cloud publiques et hybrides. Pendant la formation, l'infrastructure et les solutions de plate-forme appropriées pour répondre aux exigences fonctionnelles, opérationnelles et de déploiement requises tout au long du cycle de vie de la solution seront définies.