Docker für MLOps: Containerisierung end-to-end-Pipelines Schulung

Dieses von einem Trainer gelebte Live-Schulung in Deutschland (online oder vor Ort) richtet sich an Ingenieure, die ihre Docker-Kenntnisse vertiefen möchten, um Anwendungen im größeren Maßstab bereitzustellen, während sie die volle Kontrolle behalten.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Eigene Docker-Images zu erstellen.
• Eine große Anzahl von Docker-Anwendungen bereitzustellen und zu verwalten.
• Verschiedene Container-Orchestrierungslösungen zu bewerten und die geeignetste auszuwählen.
• Einen Continuous-Integration-Prozess für Docker-Anwendungen einzurichten.
• Docker-Anwendungen mit bestehenden Continuous-Tool-Integrationsprozessen zu verbinden.
• Ihre Docker-Anwendungen abzusichern.

Am Ende dieses Trainings werden die Teilnehmer in der Lage sein zu:

• Eigene Docker-Images zu erstellen.
• Große Mengen an Docker-Anwendungen zu deployen und zu verwalten.
• Verschiedene Lösungen zur Container-Orchestrierung zu bewerten und die am besten geeignete auszuwählen.
• Einen kontinuierlichen Integrationsprozess für Docker-Anwendungen einzurichten.
• Docker-Anwendungen in vorhandene Prozesse der kontinuierlichen Integration zu integrieren.
• Ihre Docker-Anwendungen abzusichern.
• Mithilfe von Kubernetes unterschiedliche Umgebungen unter einem gemeinsamen Cluster zu deployen und zu verwalten.
• Einen Kubernetes-Cluster sicher, skalierbar und überwachbar zu gestalten.

Dieses von einem Instruktor geleitete Live-Training in Deutschland (online oder vor Ort) richtet sich an erfahrene KI-Ingenieure sowie Datenwissenschaftler mit mittlerer bis hoher Kompetenz, die die Leistungsfähigkeit der DeepSeek-Modelle steigern, Latenzzeiten minimieren und mithilfe moderner MLOps-Verfahren KI-Lösungen effizient bereitstellen möchten.

Am Ende dieses Trainings werden die Teilnehmer in der Lage sein zu:

• Die DeepSeek-Modelle hinsichtlich Effizienz, Genauigkeit und Skalierbarkeit zu optimieren.
• Bewährte Verfahren im Bereich MLOps sowie Modellversionierung umzusetzen.
• DeepSeek-Modelle sowohl in Cloud- als auch lokalen Infrastrukturen einzusetzen.
• KI-Lösungen effektiv zu überwachen, zu warten und zu skalieren.

Erlernen Sie die Methoden zum Bauen, Deployen und Verwalten von containerisierten Umgebungen unter Einsatz von Docker, Kubernetes und OpenShift. Dieses fünftägige Praxistraining behandelt Container-Images, Arbeitslastverwaltung bei Kubernetes, Cluster-Netzwerke, Speicherplatzverwaltung, Sicherheit sowie praktische OpenShift-Verwaltungsaufgaben. Die Teilnehmer erlangen Fähigkeiten zur Betreuung moderner Container-Plattformen sowie zum Lösen von Anwendungsproblemen in Entwicklungs- und Produktivumgebungen.

In diesem von Instruktoren geleiteten Live-Kurs in Deutschland (vor Ort oder remote) erlernen die Teilnehmer, wie man Docker-Container erstellt und verwaltet sowie anschließend eine Beispielanwendung in einem Container bereitstellt. Zudem erfahren sie, wie sie containerisierte Anwendungen innerhalb eines Kubernetes-Clusters automatisieren, skalieren und administrieren können. Abschließend befasst sich der Kurs mit fortgeschrittenen Themen wie der Absicherung, Skalierung sowie Überwachung von Kubernetes-Cluster.

Am Ende des Kurses sind die Teilnehmer in der Lage:

• Docker-Container einzurichten und auszuführen.
• Einen containerisierten Server sowie eine Webanwendung bereitzustellen.
• Docker-Images zu erstellen und zu verwalten.
• Einen Docker- sowie Kubernetes-Cluster einzurichten.
• Mit Hilfe von Kubernetes eine Webanwendung in einem Cluster zu implementieren und zu verwalten.
• Einen Kubernetes-Cluster abzusichern, skalierbar zu gestalten und zu überwachen.

Lernziele des Kurses: Erwerb von theoretischem Wissen sowie praktischen Fähigkeiten im Umgang mit Docker und Kubernetes.

Dieses von einem Trainer gelebte Live-Training in Deutschland (online oder vor Ort) richtet sich an Entwickler und Data Scientists, die Machine-Learning-Workflows auf Kubernetes erstellen, bereitstellen und verwalten möchten.

Am Ende dieses Trainings werden die Teilnehmer in der Lage sein:

• Kubeflow on-premises und in der Cloud zu installieren und zu konfigurieren.
• ML-Workflows basierend auf Docker-Containern und Kubernetes zu erstellen, bereitzustellen und zu verwalten.
• Ganztägige Machine-Learning-Pipelines in verschiedenen Architekturen und Cloud-Umgebungen auszuführen.
• Kubeflow zum Erstellen und Verwalten von Jupyter-Notebooks zu nutzen.
• ML-Trainings-, Hyperparameter-Tuning- und Serving-Workloads über mehrere Plattformen hinweg zu erstellen.

Dieses praxisorientierte Training unter Anleitung eines Experten in Deutschland (online oder vor Ort) richtet sich an Ingenieure, die aktuelle Ansätze und Werkzeuge einschätzen möchten, um fundierte Entscheidungen bezüglich der Einführung von MLOps in ihrem Unternehmen zu treffen.

Am Ende des Trainings werden die Teilnehmer in der Lage sein:

• Verschiedene MLOps-Frameworks und -Tools zu installieren sowie zu konfigurieren.
• Das passende Team mit den erforderlichen Fachkenntnissen zusammenzustellen, um ein MLOps-System aufzubauen und zu unterstützen.
• Daten vorzubereiten, zu validieren sowie versionsbasiert zu verwalten, damit sie von ML-Modellen genutzt werden können.
• Die Bestandteile einer ML-Pipeline sowie die erforderlichen Werkzeuge zum Aufbauen derselben zu verstehen.
• Unterschiedliche maschinelle Lernframeworks und Server auszuprobieren, um diese in Produktivumgebungen einzusetzen.
• Den gesamten Prozess des maschinellen Lernens so zu operationalisieren, dass er reproduzierbar und wartbar bleibt.