MLOps for Azure Machine Learning Treningskurs

Denne instruktørledede, liveopplæringen i Norge (online eller på stedet) er rettet mot avanserte AI-ingeniører og dataforskere med middels til avansert erfaring som ønsker å forbedre DeepSeek modellytelse, minimere latens og distribuere AI løsninger effektivt ved bruk av moderne MLOps praksis.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Optimaliser DeepSeek-modeller for effektivitet, nøyaktighet og skalerbarhet.
• Implementer beste praksis for MLOps og modellversjon.
• Distribuer DeepSeek-modeller på skyen og lokal infrastruktur.
• Overvåk, vedlikehold og skaler AI-løsninger effektivt.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot profesjonelle på mellomnivå til avansert nivå som ønsker å bygge og distribuere AI-drevne skyapplikasjoner ved hjelp av Microsoft Azure.

Etter fullført opplæring vil deltakerne kunne:

• Utvikle hendelsesdrevne og serverløse applikasjoner ved hjelp av Azure Functions.
• Administrere Azure lagringsløsninger og virtuelle maskiner.
• Distribuere og skalere webapplikasjoner ved hjelp av Azure App Service og Docker containere.
• Integrere AI, maskinlæring og naturlig språkbehandling ved hjelp av Azure AI Services.
• Utnytte GitHub Copilot for å bistå i AI-drevet skyapplikasjonsutvikling.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot ingeniører som ønsker å bruke Azure MLs dra-og-slipp-plattform for å distribuere Machine Learning arbeidsbelastninger uten å måtte kjøpe programvare og maskinvare og uten å måtte å bekymre deg for vedlikehold og utplassering.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Skriv svært nøyaktige maskinlæringsmodeller ved å bruke Python, R eller nullkodeverktøy.
• Utnytt Azures tilgjengelige datasett og algoritmer for å trene og spore modeller for maskinlæring og dyplæring.
• Bruk Azures interaktive arbeidsområde til å utvikle ML-modeller i samarbeid.
• Velg mellom forskjellige Azure-støttede ML-rammeverk som PyTorch, TensorFlow og scikit-learn.

Microsoft Azure Infrastruktur og distribusjon

Denne opplæringen lar delegatene forbedre ferdighetene sine i Microsoft Azure løsningsdesign.

Etter denne opplæringen vil delegaten forstå funksjonene og egenskapene til Azure tjenester, for å kunne identifisere avveininger og ta beslutninger for utforming av offentlige og hybride skyløsninger.

Under opplæringen vil passende infrastruktur og plattformløsninger for å møte de nødvendige funksjonelle, operasjonelle og distribusjonskravene gjennom løsningens livssyklus bli definert.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot DevOps ingeniører, utviklere og prosjektledere som ønsker å bruke Azure DevOps til å bygge og distribuere optimaliserte bedriftsapplikasjoner raskere enn tradisjonelle utviklingstilnærminger.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå det grunnleggende DevOps vokabularet og prinsippene.
• Installer og konfigurer de nødvendige Azure DevOps-verktøyene for programvareutvikling.
• Bruk Azure DevOps verktøy og tjenester for kontinuerlig å tilpasse seg markedet.
• Bygg bedriftsapplikasjoner og evaluer gjeldende utviklingsprosesser på Azure DevOps-løsninger.
• Administrer team mer effektivt og akselerer programvaredistribusjonstiden.
• Vedta DevOps utviklingspraksis i organisasjonen.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot utviklere som ønsker å lære hvordan man bygger mikrotjenester på Microsoft Azure Service Fabric (ASF).

Ved slutten av denne opplæringen vil deltakerne kunne:

• Bruk ASF som en plattform for å bygge og administrere mikrotjenester.
• Forstå nøkkelprogrammeringskonsepter og -modeller for mikrotjenester.
• Opprett en klynge i Azure.
• Distribuer mikrotjenester i lokalene eller i skyen.
• Feilsøk og feilsøk en live mikrotjenesteapplikasjon.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot utviklere og dataforskere som ønsker å bygge, distribuere og administrere arbeidsflyter for maskinlæring på Kubernetes.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer Kubeflow på stedet og i skyen ved å bruke AWS EKS (Elastic Kubernetes Service).
• Bygg, distribuer og administrer ML-arbeidsflyter basert på Docker containere og Kubernetes.
• Kjør hele maskinlæringspipelines på forskjellige arkitekturer og skymiljøer.
• Bruke Kubeflow til å skape og administrere Jupyter-notatbøker.
• Bygg ML-trening, justering av hyperparameter og betjening av arbeidsbelastninger på tvers av flere plattformer.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot utviklere og dataforskere som ønsker å bygge, distribuere og administrere arbeidsflyter for maskinlæring på Kubernetes.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer Kubeflow på stedet og i skyen.
• Bygg, distribuer og administrer ML-arbeidsflyter basert på Docker containere og Kubernetes.
• Kjør hele maskinlæringspipelines på forskjellige arkitekturer og skymiljøer.
• Bruke Kubeflow til å skape og administrere Jupyter-notatbøker.
• Bygg ML-trening, justering av hyperparametere og betjening av arbeidsbelastninger på tvers av flere plattformer.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot ingeniører som ønsker å distribuere Machine Learning arbeidsbelastninger til en AWS EC2-server.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer Kubernetes, Kubeflow og annen nødvendig programvare på AWS.
• Bruk EKS (Elastic Kubernetes Service) for å forenkle arbeidet med å initialisere en Kubernetes-klynge på AWS.
• Opprett og distribuer en Kubernetes-pipeline for å automatisere og administrere ML-modeller i produksjon.
• Tren og distribuer TensorFlow ML-modeller på tvers av flere GPUer og maskiner som kjører parallelt.
• Utnytt andre AWS-administrerte tjenester for å utvide en ML-applikasjon.

Denne instruktørledede, direkteopplæringen i Norge (online eller på stedet) er rettet mot ingeniører som ønsker å distribuere Machine Learning arbeidsbelastninger til Azure-skyen.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer Kubernetes, Kubeflow og annen nødvendig programvare på Azure.
• Bruk Azure Kubernetes Service (AKS) for å forenkle arbeidet med å initialisere en Kubernetes-klynge på Azure.
• Opprett og distribuer en Kubernetes-pipeline for å automatisere og administrere ML-modeller i produksjon.
• Tren og distribuer TensorFlow ML-modeller på tvers av flere GPUer og maskiner som kjører parallelt.
• Utnytt andre AWS-administrerte tjenester for å utvide en ML-applikasjon.

Denne instruktørledede, live-opplæringen i (online eller på stedet) er rettet mot dataforskere som ønsker å gå lenger enn å bygge ML-modeller og optimalisere ML-modelloppretting, sporing og distribusjonsprosessen.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer MLflow og relaterte ML-biblioteker og rammeverk.
• Sett pris på viktigheten av sporbarhet, reproduserbarhet og distribusjon av en ML-modell
• Distribuer ML-modeller til forskjellige offentlige skyer, plattformer eller lokale servere.
• Skaler ML-implementeringsprosessen for å imøtekomme flere brukere som samarbeider om et prosjekt.
• Sett opp et sentralt register for å eksperimentere med, reprodusere og distribuere ML-modeller.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot ingeniører som ønsker å evaluere tilnærmingene og verktøyene som er tilgjengelige i dag, for å ta en intelligent avgjørelse på veien videre med å ta i bruk MLOps i sin organisasjon.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Installer og konfigurer forskjellige MLOps rammeverk og verktøy.
• Sett sammen riktig type team med de rette ferdighetene for å konstruere og støtte et MLOps system.
• Forbered, valider og versjonsdata for bruk av ML-modeller.
• Forstå komponentene i en ML Pipeline og verktøyene som trengs for å bygge en.
• Eksperimenter med forskjellige maskinlæringsrammeverk og servere for distribusjon til produksjon.
• Operasjonaliser hele Machine Learning-prosessen slik at den er reproduserbar og vedlikeholdbar.