Docker für MLOps: End-to-End Pipeline Containerisierung Schulung

Diese von einem Trainer geleitete Live-Schulung in Deutschland (online oder vor Ort) richtet sich an fortgeschrittene KI-Ingenieure und Datenwissenschaftler mit mittlerer bis fortgeschrittener Erfahrung, die die DeepSeek-Modellleistung verbessern, Latenzzeiten minimieren und KI-Lösungen mit modernen MLOps-Praktiken effizient einsetzen möchten.

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

• Optimieren von DeepSeek-Modellen hinsichtlich Effizienz, Genauigkeit und Skalierbarkeit.
• Best Practices für MLOps und Modellversionierung zu implementieren.
• DeepSeek-Modelle in einer Cloud- und On-Premise-Infrastruktur bereitzustellen.
• KI-Lösungen effektiv zu überwachen, zu warten und zu skalieren.

Docker ist eine Plattform für Entwickler und Systemadministratoren, um verteilte Anwendungen zu verwalten. Es besteht aus einer Laufzeitumgebung zum Ausführen von Containern und einem Dienst zum Teilen von Containern.

Mit Docker kann die gleiche App unverändert auf Laptops, dedizierten Servern und virtuellen Servern laufen.

Dieser Kurs lehrt die grundlegende Verwendung von Docker, nützlich für Entwickler und Systemadministratoren. Der Kurs beinhaltet viele praktische Übungen und die Teilnehmer werden in ihrer eigenen Docker-Umgebung üben und während der 2 Tage ihre eigenen Docker-Bilder erstellen.

Ziel dieses praktischen Kurses ist es, alle Werkzeuge bereitzustellen, die die praktischen Aspekte von Docker und Kubernetes abdecken, damit die Teilnehmer über die notwendigen Fähigkeiten für die ordnungsgemäße Verwaltung des Programms verfügen.

Schulungsziele: Erwerb von theoretischen und praktischen Fähigkeiten im Umgang mit Docker und Kubernetes.

Diese von einem Trainer geleitete Live-Schulung in Deutschland (online oder vor Ort) richtet sich an Entwickler und Datenwissenschaftler, die Workflows für maschinelles Lernen auf Kubernetes erstellen, einsetzen und verwalten möchten.

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

• Installation und Konfiguration von Kubeflow vor Ort und in der Cloud mit AWS EKS (Elastic Kubernetes Service).
• ML-Workflows auf der Grundlage von Docker-Containern und Kubernetes zu erstellen, bereitzustellen und zu verwalten.
• Ausführen ganzer Pipelines für maschinelles Lernen auf verschiedenen Architekturen und Cloud-Umgebungen.
• Verwendung von Kubeflow zum Erzeugen und Verwalten von Jupyter-Notebooks.
• ML-Training, Hyperparameter-Tuning und Serving-Workloads über mehrere Plattformen hinweg erstellen.

Dieses von einem Dozenten geleitete, live Training (online oder vor Ort) richtet sich an Ingenieure, die Machine Learning Workloads auf einem AWS EC2 Server bereitstellen möchten.

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

• Kubernetes, Kubeflow und andere benötigte Software auf AWS zu installieren und zu konfigurieren.
• EKS (Elastic Kubernetes Service) zu verwenden, um die Arbeit der Initialisierung eines Kubernetes Clusters auf AWS zu vereinfachen.
• Einen Kubernetes Pipeline zu erstellen und bereitzustellen, um die Automatisierung und Verwaltung von ML Modellen in Produktion zu steuern.
• TensorFlow ML Modelle über mehrere GPUs und Maschinen hinweg, die parallel laufen, zu trainieren und bereitzustellen.
• Andere verwaltete AWS Dienste zu nutzen, um eine ML Anwendung zu erweitern.

Dieses durch einen Trainer geleitete, live-Training in Deutschland (online oder vor Ort) richtet sich an Ingenieure, die Machine Learning-Arbeitslasten in der Azure Cloud bereitstellen möchten.

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

• Kubernetes, Kubeflow und andere benötigte Software auf Azure zu installieren und zu konfigurieren.
• Azure Kubernetes Service (AKS) zur Vereinfachung der Initialisierung eines Kubernetes-Clusters in Azure zu verwenden.
• Eine Kubernetes-Pipeline zur Automatisierung und Verwaltung von ML-Modellen in der Produktion zu erstellen und bereitzustellen.
• TensorFlow-ML-Modelle auf mehreren GPUs und Maschinen, die parallel laufen, zu trainieren und bereitzustellen.
• Andere verwaltete AWS-Dienste zur Erweiterung einer ML-Anwendung zu nutzen.

Kubeflow ist eine Open-Source-Plattform, die entwickelt wurde, um das Erstellen, Training und Bereitstellen von Machine-Learning-Aufgaben in Kubernetes zu vereinfachen.

Dieses von einem Dozenten geleitete Live-Training (online oder vor Ort) richtet sich an Anfänger- bis Fortgeschrittenene, die lernen möchten, verlässliche ML-Workflows mit Kubeflow zu erstellen.

Nach Abschluss dieses Trainings werden die Teilnehmer die Fähigkeiten erworben haben, um:

• Sich in das Kubeflow-Ökosystem und die Kernkomponenten zu navigieren.
• Wiederholbare Workflows mit Kubeflow Pipelines zu erstellen.
• Skalierbare Training-Jobs in Kubernetes auszuführen.
• Maschinelles Lernen-Modelle effizient mit Kubeflow Serving bereitzustellen.

Kursformat

• Geführte Präsentationen und kooperative Diskussionen.
• Hands-on-Lab mit echten Kubeflow-Komponenten.
• Praktische Übungen zum Erstellen von end-to-end-ML-Workflows.

Kursanpassungsoptionen

• Angepasste Versionen dieses Trainings können angeordnet werden, um sich an die Technologie-Stack und Projektanforderungen Ihres Teams anzupassen.

Diese von einem Trainer geleitete Live-Schulung in Deutschland (online oder vor Ort) richtet sich an Entwickler und Datenwissenschaftler, die Workflows für maschinelles Lernen auf Kubernetes erstellen, einsetzen und verwalten möchten.

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

• Installation und Konfiguration von Kubeflow vor Ort und in der Cloud.
• ML-Workflows auf der Grundlage von Docker-Containern und Kubernetes zu erstellen, bereitzustellen und zu verwalten.
• Ganze Pipelines für maschinelles Lernen auf verschiedenen Architekturen und Cloud-Umgebungen auszuführen.
• Verwendung von Kubeflow zum Erstellen und Verwalten von Jupyter-Notebooks.
• ML-Training, Hyperparameter-Tuning und Serving-Workloads über mehrere Plattformen hinweg erstellen.

Diese Live-Schulung unter Anleitung (online oder vor Ort) richtet sich an Datenwissenschaftler, die über die Erstellung von ML-Modellen hinausgehen und den Prozess der Erstellung, Verfolgung und Bereitstellung von ML-Modellen optimieren möchten.

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

• Installation und Konfiguration von MLflow und verwandten ML-Bibliotheken und -Frameworks.
• die Bedeutung der Nachvollziehbarkeit, Reproduzierbarkeit und Einsatzfähigkeit eines ML-Modells zu erkennen
• ML-Modelle auf verschiedenen öffentlichen Clouds, Plattformen oder On-Premise-Servern bereitzustellen.
• Skalierung des ML-Bereitstellungsprozesses, um die Zusammenarbeit mehrerer Benutzer an einem Projekt zu ermöglichen.
• Einrichtung eines zentralen Registers, um mit ML-Modellen zu experimentieren, sie zu reproduzieren und einzusetzen.

Dieses von einem Dozenten geführte, live Training in Deutschland (online oder vor Ort) richtet sich an Ingenieure, die die heutigen Ansätze und Tools bewerten möchten, um eine fundierte Entscheidung über den künftigen Weg zur Einführung von MLOps in ihrer Organisation zu treffen.

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

• Verschiedene MLOps-Frameworks und -Tools zu installieren und zu konfigurieren.
• Das richtige Team mit den richtigen Fähigkeiten für den Aufbau und die Unterstützung eines MLOps-Systems zusammenzustellen.
• Daten vorzubereiten, zu validieren und zu versionieren, um sie von ML-Modellen verwenden zu lassen.
• Die Komponenten eines ML-Pipelines und die benötigten Tools zu verstehen.
• Verschiedene maschinelle Lernframeworks und -Server für den Einsatz in der Produktion auszuprobieren.
• Den gesamten Machine-Learning-Prozess operationalisieren, sodass er reproduzierbar und wartbar ist.

Diese von einem Dozenten geleitete, live-Training (online oder vor Ort) richtet sich an maschinelles Lernen Ingenieure, die lernen möchten, wie sie Azure Machine Learning und Azure DevOps verwenden können, um MLOps-Praktiken zu implementieren.

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

• Reproduzierbare Workflows und maschinelle Lernmodelle erstellen.
• Den Lebenszyklus des maschinellen Lernens verwalten.
• Die Versionsgeschichte, Ressourcen und weitere Informationen der Modelle nachzuverfolgen und zu dokumentieren.
• Bereitstellungsreife maschinelle Lernmodelle überall bereitzustellen.

MLOps auf Kubernetes ist ein Framework zur Automatisierung des Trainings, der Validierung, Verpackung und Bereitstellung von Modellen maschinellen Lernens unter Verwendung containerisierter Pipelines und GitOps-Workflows.

Dieses von einem Dozenten angeleitete Live-Training (online oder vor Ort) richtet sich an fortgeschrittene Praktiker, die automatisierte, skalierbare MLOps-Pipelines auf Kubernetes erstellen möchten.

Nach Abschluss dieses Trainings werden die Teilnehmer in der Lage sein:

• End-to-End CI/CD-Pipelines für maschinelles Lernen zu entwickeln.
• GitOps-Workflows für die Bereitstellung und Versionsverwaltung von Modellen umzusetzen.
• Das Training, Testen und Verpacken von ML-Modellen zu automatisieren.
• Monitoring, Alarmierung und Rollback-Strategien zu integrieren.

Kursformat

• Von einem Dozenten angeleitete Präsentationen und technische Tiefgangsbesprechungen.
• Hands-on-Übungen zur Erstellung realer CI/CD-Workflows.
• Live-Lab-Praxis bei der Bereitstellung von ML-Arbeitslasten auf Kubernetes.

Kursanpassungsmöglichkeiten

• Organisationen können auf Wunsch angepassten Inhalt anfordern, der mit ihren internen MLOps-Tools und -Infrastruktur ausgerichtet ist.