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 Bordeaux ou dans les centres de formation d'entreprise NobleProg en Bordeaux. NobleProg - Votre fournisseur de formation local
Bordeaux, Mériadeck
NobleProg Bordeaux, 39 Rue du Château d'Eau, Bordeaux, france, 33000
Situé au coeur de Bordeaux, dans le quartier de Mériadeck, entièrement équipé et climatisé, NOMADE permet aux profes...
Situé au coeur de Bordeaux, dans le quartier de Mériadeck, entièrement équipé et climatisé, NOMADE permet aux professionnels itinérants de s'installer pour travailler et partager avec les autres coworkers dans une ambiance conviviale.
Il propose 23 postes de travail en open space, une salle de réunion partagée et 5 salles de réunions à louer à Bordeaux centre.
Accessible et de qualité, l'espace NOMADE est fait pour vous.
L'espace complet peut également être loué en soirée pour vos événements.
Accès: TRAM A arrêt MERIADECK, TRAM B arrêt GAMBETTA
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 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) 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 <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 (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.
En savoir plus...
Last Updated:
Nos Clients témoignent (3)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Formation - MLflow
La qualité des explications, et le nombre important de sujets abordés
Hugo SECHIER - Expleo France
Formation - Kubeflow on AWS
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™
MLOps formation à Bordeaux, Weekend MLOps cours à Bordeaux, Soir MLOps formation à Bordeaux, MLOps formateur en ligne à Bordeaux, MLOps formation à Bordeaux, MLOps cours du soir à Bordeaux, MLOps formation Intra à Bordeaux, MLOps formation Intra Entreprise à Bordeaux, MLOps formation Inter à Bordeaux, MLOps formation Inter Entreprise à Bordeaux, MLOps coaching à Bordeaux, Weekend MLOps formation à Bordeaux, MLOps instructeur à Bordeaux, MLOps professeur à Bordeaux,MLOps cours à Bordeaux, MLOps sur place à Bordeaux, MLOps cours particuliers à Bordeaux, MLOps coach à Bordeaux, MLOps préparation aux examens à Bordeaux, MLOps entraînement à Bordeaux, MLOps cours privé à Bordeaux, Soir MLOps cours à Bordeaux, MLOps formateur à Bordeaux, MLOps stage de préparation à Bordeaux, MLOps préparation à Bordeaux
