MLOps auf Kubernetes: CI/CD-Pipelines für Machine Learning Schulung

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.

Dieses von Instruktoren geleitete Live-Training in Deutschland (online oder vor Ort) richtet sich an Plattformentwickler auf fortgeschrittenem Niveau sowie DevOps-Profis, die lernen möchten, Anwendungen mithilfe von Microservices und Kubernetes zu skalieren.

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

• Skalierbare Microservices-Architekturen zu entwerfen und umzusetzen.
• Anwendungen auf Kubernetes-Clustern bereitzustellen und zu verwalten.
• Helm-Charts zur effizienten Bereitstellung von Diensten zu nutzen.
• Die Funktionsfähigkeit von Microservices in der Produktivumgebung zu überwachen und aufrechtzuerhalten.
• Beste Praktiken im Bereich Sicherheit und Compliance innerhalb einer Kubernetes-Umgebung anzuwenden.

Diese vom Dozenten gelebte, live durchgeführte Schulung in Deutschland (online oder vor Ort) richtet sich an Kubernetes-Praktiker, die sich auf die CKS-Prüfung vorbereiten möchten.

Nach Abschluss dieser Schulung wissen die Teilnehmer, wie sie Kubernetes-Umgebungen und containerbasierte Anwendungen in den verschiedenen Phasen des Anwendungszykles – Build, Deployment und Runtime – absichern.

Dieses von einem Dozenten geleitete Live-Training in <Ort> (online oder vor Ort) richtet sich an Ingenieure, die Helm nutzen möchten, um den Installations- und Verwaltungsprozess von Kubernetes-Anwendungen zu vereinfachen.

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

• Helm zu installieren und zu konfigurieren.
• Reproduzierbare Builds von Kubernetes-Anwendungen zu erstellen.
• Anwendungen als Helm-Charts zu teilen.
• Drittanbieter-Anwendungen, die als Helm-Charts vorliegen, auszuführen.
• Veröffentlichungen von Helm-Paketen zu verwalten.

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 von einem Experten geleitete Live-Training in Deutschland (online oder vor Ort) richtet sich an Softwareentwickler sowie DevOps-Fachkräfte mit Grund- bis Mittelkenntnissen, die lernen möchten, wie man eine lokale Kubernetes-Umgebung mithilfe von Minikube einrichtet und verwaltet.

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

• Minikube auf ihrem lokalen Rechner zu installieren und zu konfigurieren.
• Die grundlegenden Konzepte sowie die Architektur von Kubernetes zu verstehen.
• Container mithilfe von kubectl und dem Minikube-Dashboard zu implementieren und zu verwalten.
• Dauerhaften Speicher sowie Netzwerklösungen für Kubernetes einzurichten.
• Minikube zur Entwicklung, zum Testen und zur Fehlerbehebung von Anwendungen zu nutzen.

Dieser von einem Instruktor geleitete Live-Kurs in Deutschland (online oder vor Ort) richtet sich an Entwickler sowie DevOps-Ingenieure mittleren Kenntnisstands, die Minikube als Teil ihres Entwicklungsprozesses nutzen möchten.

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

• Eine lokale Kubernetes-Umgebung mit Minikube einzurichten und zu verwalten.
• Anwendungen auf Minikube erfolgreich bereitzustellen, zu verwalten sowie zu debuggen.
• Minikube in ihre bestehenden CI/CD-Pipelines zu integrieren.
• Ihren Entwicklungsprozess mithilfe fortgeschrittener Minikube-Funktionen zu optimieren.
• Die bewährtesten Methoden für die lokale Kubernetes-Entwicklung anzuwenden.

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.