
Des cours de formation MLOps en direct, en ligne ou sur site, animés par un instructeur, démontrent, par le biais de pratiques pratiques interactives, comment utiliser les outils MLOps pour automatiser et optimiser le déploiement et la maintenance des systèmes ML en production. La formation MLOps est disponible en tant que "formation en direct en ligne" ou "formation en direct sur site". La formation en direct en ligne (alias « formation en direct à distance ») est effectuée au moyen d'un ordinateur de bureau interactif à distance . La formation en direct sur site peut être effectuée localement dans les locaux du client en Belgique ou dans les centres de formation d'entreprise NobleProg en Belgique. NobleProg - Votre fournisseur de formation local
Machine Translated
Nos Clients témoignent
La qualité des explications, et le nombre important de sujets abordés
Hugo SECHIER - Odile DENNYEL , Expleo France
Formation: Kubeflow on AWS
La qualité des explications, et le nombre important de sujets abordés
Hugo SECHIER - Odile DENNYEL , Expleo France
Formation: Kubeflow on AWS
Plans de cours MLOps
-
Installation et configuration de différents MLOps cadres et outils.
Assemble le bon type d'équipe avec les bonnes compétences pour construire et soutenir un système MLOps.
Préparation, validation et version des données pour l'utilisation par les modèles ML.
Comprendre les composants d'un pipeline ML et les outils nécessaires pour construire un.
Expérimenter avec différents cadres d'apprentissage machine et serveurs pour le déploiement à la production.
Operationnalisez l’ensemble du processus Machine Learning afin qu’il soit reproduit et maintenu.
-
Lecture et discussion interactives.
Beaucoup d’exercices et de pratiques.
La mise en œuvre dans un environnement de laboratoire en direct.
-
Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.
-
Installer et configurer Kubernetes, Kubeflow et autres logiciels nécessaires sur AWS.
Utilisez EKS (Elastic Kubernetes Service) pour simplifier le travail d’initialiser un Kubernetes cluster sur AWS.
Créer et déployer un Kubernetes pipeline pour l'automatisation et la gestion des modèles ML en production.
Trainer et déployer les modèles ML TensorFlow sur plusieurs GPUs et les machines qui fonctionnent en parallèle.
Leverage d'autres services gérés par AWS pour étendre une application ML.
-
Lecture et discussion interactives.
Beaucoup d’exercices et de pratiques.
La mise en œuvre dans un environnement de laboratoire en direct.
-
Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.
-
Installer et configurer Kubernetes, Kubeflow et autres logiciels nécessaires sur Azure.
Utilisez Azure Kubernetes Service (AKS) pour simplifier le travail d'initialiser un Kubernetes cluster sur Azure.
Créer et déployer un Kubernetes pipeline pour l'automatisation et la gestion des modèles ML en production.
Trainer et déployer TensorFlow les modèles ML à travers plusieurs GPUs et les machines qui fonctionnent en parallèle.
Leverage d'autres services gérés par AWS pour étendre une application ML.
-
Lecture et discussion interactives.
Beaucoup d’exercices et de pratiques.
La mise en œuvre dans un environnement de laboratoire en direct.
-
Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.
-
Installer et configurer Kubernetes, Kubeflow et autres logiciels nécessaires sur GCP et GKE.
Utilisez GKE (Kubernetes Kubernetes Moteur) pour simplifier le travail d'initialiser un Kubernetes cluster sur GCP.
Créer et déployer un Kubernetes pipeline pour l'automatisation et la gestion des modèles ML en production.
Trainer et déployer TensorFlow les modèles ML sur plusieurs GPUs et les machines qui fonctionnent en parallèle.
Fournir d'autres services GCP pour étendre une application ML.
-
Lecture et discussion interactives.
Beaucoup d’exercices et de pratiques.
La mise en œuvre dans un environnement de laboratoire en direct.
-
Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.
-
Installation et configuration Kubernetes, Kubeflow et autres logiciels nécessaires sur IBM Cloud Kubernetes Service (IKS).
Utilisez IKS pour simplifier le travail d’initialiser un Kubernetes cluster sur IBM Cloud.
Créer et déployer un Kubernetes pipeline pour l'automatisation et la gestion des modèles ML en production.
Trainer et déployer les modèles ML TensorFlow sur plusieurs GPUs et les machines qui fonctionnent en parallèle.
Leverage d'autres services IBM Cloud pour étendre une application ML.
-
Lecture et discussion interactives.
Beaucoup d’exercices et de pratiques.
La mise en œuvre dans un environnement de laboratoire en direct.
-
Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.
-
Installation et configuration Kubeflow sur prémise et dans le cloud en utilisant AWS EKS (Elastic Kubernetes Service).
Construire, déployer et gérer les flux de travail ML basés sur Docker conteneurs et Kubernetes.
Exécutez des pipelines d'apprentissage en machine entièrement sur diverses architectures et environnements en nuage.
Utiliser Kubeflow pour spawner et gérer les notebooks Jupyter.
Construisez la formation ML, le tuning hyperparamétrique et le service des charges de travail sur plusieurs plateformes.
-
Lecture et discussion interactives.
Beaucoup d’exercices et de pratiques.
La mise en œuvre dans un environnement de laboratoire en direct.
-
Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.
-
À la fin de cette formation, les participants seront en mesure de :
Il s’agit d’un Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’
Utilisez OpenShift pour simplifier le travail d’initialiser un Kubernetes cluster.
Créer et déployer un Kubernetes pipeline pour l'automatisation et la gestion des modèles ML en production.
Trainer et déployer TensorFlow les modèles ML sur plusieurs GPUs et les machines qui fonctionnent en parallèle.
Appelez les services public en nuage (par exemple, les services AWS) de l'intérieur OpenShift pour étendre une application ML.
-
Lecture et discussion interactives.
Beaucoup d’exercices et de pratiques.
La mise en œuvre dans un environnement de laboratoire en direct.
-
Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.
-
Installation et configuration Kubeflow sur la prévision et dans le nuage.
Construire, déployer et gérer les flux de travail ML basés sur Docker conteneurs et Kubernetes.
Exécutez des pipelines d'apprentissage en machine entièrement sur diverses architectures et environnements en nuage.
Utiliser Kubeflow pour spawner et gérer les notebooks Jupyter.
Construisez la formation ML, le tuning hyperparamétrique et le service des charges de travail sur plusieurs plateformes.
-
Lecture et discussion interactives.
Beaucoup d’exercices et de pratiques.
La mise en œuvre dans un environnement de laboratoire en direct.
-
Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.
Pour en savoir plus Kubeflow, veuillez visiter : https://github.com/kubeflow/kubeflow
-
Installation et configuration MLflow et des bibliothèques et cadres ML connexes.
Évaluer l’importance de la traçabilité, de la reproductivité et de la déploiabilité d’un modèle ML
Déployer les modèles ML dans différents clouds publics, plateformes ou serveurs sur place.
Scalez le processus de déploiement ML pour accueillir plusieurs utilisateurs collaborant sur un projet.
Créer un registre central pour expérimenter, reproduire et déployer les modèles ML.
-
Lecture et discussion interactives.
Beaucoup d’exercices et de pratiques.
La mise en œuvre dans un environnement de laboratoire en direct.
-
Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.
Dernière mise à jour :