Cours de formation de MLOps dirigé par un formateur sur place en direct á France.
Nos Clients témoignent
Ajustement à nos besoins
Sumitomo Mitsui Finance and Leasing Company, Limited
Formation: Kubeflow
Machine Translated
Ajustement à nos besoins
Sumitomo Mitsui Finance and Leasing Company, Limited
Formation: Kubeflow
Machine Translated
Plans de cours MLOps
Nom du Cours
Durée
Aperçu
Nom du Cours
Durée
Aperçu
35 heures
MLOps est un ensemble d'outils et de méthodologies pour combiner Machine Learning et DevOps pratiques. L’objectif de MLOps est d’automatiser et d’optimiser le déploiement et la maintenance des systèmes ML dans la production.
Cette formation guidée par les instructeurs, en direct (online ou sur site) est destinée aux ingénieurs qui souhaitent évaluer les approches et les outils disponibles aujourd'hui pour prendre une décision intelligente sur la voie à l'avant dans l'adoption MLOps dans leur organisation.
À la fin de cette formation, les participants seront en mesure de :
-
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.
28 heures
Kubeflow Il s'agit d'un cadre pour le fonctionnement des charges Machine Learning sur Kubernetes. TensorFlow est une bibliothèque d'apprentissage automatique et Kubernetes est une plate-forme d'orchestre pour la gestion d'applications conteneuses.
Cette formation guidée par des instructeurs, en direct (online ou sur site) est destinée aux ingénieurs qui souhaitent déployer Machine Learning les charges de travail sur un serveur AWS EC2.
À la fin de cette formation, les participants seront en mesure de :
-
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.
28 heures
Kubeflow Il s'agit d'un cadre pour le fonctionnement des charges Machine Learning sur Kubernetes. TensorFlow est l'une des bibliothèques les plus populaires d'apprentissage automatique. Kubernetes est une plate-forme d’orchestration pour la gestion d’applications conteneuses.
Cette formation guidée par les instructeurs, en direct (online ou sur site) est destinée aux ingénieurs qui souhaitent déployer Machine Learning charge de travail dans Azure nuage.
À la fin de cette formation, les participants seront en mesure de :
-
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.
28 heures
Kubeflow Il s'agit d'un cadre pour le fonctionnement des charges Machine Learning sur Kubernetes. TensorFlow est l'une des bibliothèques les plus populaires d'apprentissage automatique. Kubernetes est une plate-forme d’orchestration pour la gestion d’applications conteneuses.
Cette formation guidée par les instructeurs, en direct (online ou sur site) est destinée aux ingénieurs qui souhaitent déployer Machine Learning charge de travail sur Google Cloud Platform (GCP).
À la fin de cette formation, les participants seront en mesure de :
-
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.
28 heures
Kubeflow Il s'agit d'un cadre pour le fonctionnement des charges Machine Learning sur Kubernetes. TensorFlow est l'une des bibliothèques les plus populaires d'apprentissage automatique. Kubernetes est une plate-forme d’orchestration pour la gestion d’applications conteneuses.
Cette formation guidée par les instructeurs, en direct (online ou sur site) est destinée aux ingénieurs qui souhaitent déployer Machine Learning les charges de travail sur IBM Cloud Kubernetes Service (IKS).
À la fin de cette formation, les participants seront en mesure de :
-
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.
35 heures
Kubeflow est un kit d'outils pour faire Machine Learning (ML) sur Kubernetes facile, portable et scalable. AWS EKS (Elastic Kubernetes Service) est un service géré par Amazon pour le fonctionnement Kubernetes sur AWS.
Cette formation guidée par l'instructeur, en direct (online ou sur site) est destinée aux développeurs et aux scientifiques de données qui souhaitent construire, déployer et gérer les flux de travail d'apprentissage automatique sur Kubernetes.
À la fin de cette formation, les participants seront en mesure de :
-
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.
28 heures
Kubeflow Il s'agit d'un cadre pour le fonctionnement Machine Learning des charges de travail sur Kubernetes. TensorFlow est l'une des bibliothèques les plus populaires d'apprentissage automatique. Kubernetes est une plate-forme d’orchestration pour la gestion des applications conteneuses. OpenShift est une plate-forme de développement d'applications en nuage qui utilise Docker conteneurs, orchestrés et gérés par Kubernetes, sur une base de Red Hat Enterprise Linux.
Cette formation guidée par les instructeurs, en direct (online ou sur site) est destinée aux ingénieurs qui souhaitent déployer Machine Learning les charges de travail dans un OpenShift sur-premise ou hybride nuage.
-
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.
28 heures
Kubeflow est un kit d'outils pour faire Machine Learning (ML) sur Kubernetes facile, portable et scalable.
Cette formation guidée par l'instructeur, en direct (online ou sur site) est destinée aux développeurs et aux scientifiques de données qui souhaitent construire, déployer et gérer les flux de travail d'apprentissage automatique sur Kubernetes.
À la fin de cette formation, les participants seront en mesure de :
-
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
21 heures
MLflow est une plate-forme open source pour rationaliser et gérer le cycle de vie de l'apprentissage automatique. Il soutient toute bibliothèque ML (apprentissage automatique), algorithme, outil de déploiement ou langage. Ajoutez simplement MLflow à votre code ML existant pour partager le code à travers toute bibliothèque ML utilisée dans votre organisation.
Cette formation guidée par les instructeurs, en direct (online ou sur site) vise les scientifiques de données qui souhaitent aller au-delà de la construction de modèles ML et optimiser le processus de création, de suivi et de déploiement de modèles ML.
À la fin de cette formation, les participants seront en mesure de :
-
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 :
Weekend MLOps cours, Soir MLOps formation, MLOps stage d’entraînement, MLOps formateur à distance, MLOps formateur en ligne, MLOps formateur Online, MLOps cours en ligne, MLOps cours à distance, MLOps professeur à distance, MLOps visioconférence, MLOps stage d’entraînement intensif, MLOps formation accélérée, MLOps formation intensive, Formation inter MLOps, Formation intra MLOps, Formation intra Enteprise MLOps, Formation inter Entreprise MLOps, Weekend MLOps formation, Soir MLOps cours, MLOps coaching, MLOps entraînement, MLOps préparation, MLOps instructeur, MLOps professeur, MLOps formateur, MLOps stage de formation, MLOps cours, MLOps sur place, MLOps formations privées, MLOps formation privée, MLOps cours particulier, MLOps cours particuliers
