MLOps: CI/CD για την Μηχανική Μάθηση Κομμάτι εκπαίδευσης

Αυτός ο μαθηματικός είναι σχεδιασμένος για πρωτοβουλίες των οποίων ασχολούνται με το σχεδιασμό, υλοποίηση και διαχείριση πιθανών γραμμών εκτέλεσης DevOps και οργάνωση εργαλείων που υποστηρίζουν τη συνεχή ολοκλήρωση, διαμόρφωση, και πιθανά διαμόρφωση. Ο μαθηματικός υπογραμμίζει τους βασικούς διαδικαστικούς, μέτρων, API και πολιτιστικών συνθηκών που σχετίζονται με τη συνεχή διαμόρφωση.

Μάθετε πώς να βελτιστοποιείτε τις δοκιμές, να δοκιμάζετε πιο γρήγορα και να έχετε καλή ποιότητα και ένα σταθερό σταθερό αποτέλεσμα.

Αναπτύξτε το ότι είναι η DevOps Engineering, γιατί η DevOps engineering είναι σημαντική και πώς δημιουργείται η DevOps για τον επιτυχώς.

Το μάθημα αρχίζει με σύντομη αναθεώρηση των βασικών υφιστάμενων αρχών για DevOps και μετακινείται στην εφαρμογή της DevOps. Είναι σχεδιασμένο από βλάβη μηχανικών και περιλαμβάνει θέματα όπως η DevOps σε σχέση με άλλους πλαίσια, τεχνολογίες,
θεωρίες σχεδιασμού εφαρμογών, συνεχής αντέγκριση, συνεχής παράδοση και η μετάθεση των προϊόντων, συνεχή δοκιμασίες, ελαστικές υποδομές, ελέγχου, μετρικών, αναφοράς, κυβερνητικής, άνθρωπου πτυχών και μελλοντικών τάσεων για DevOps engineering.

Το μάθημα DevOps Foundation παρέχει μια βασική κατανόηση της βασικής ορολογίας DevOps για να διασφαλίσει ότι όλοι μιλούν την ίδια γλώσσα και τονίζει τα οφέλη του DevOps για την υποστήριξη της οργανωτικής επιτυχίας.

Το μάθημα προβάλλει τις ανθρώπινες δυναμικές της κουλτορικής αλλαγής και εξοπλίζει τους συμμετέχοντες με πρακτικές, μεθόδους και εργαλεία για να ασκήσουν επιρροή σε άτομα κατά τη διάρκεια του φάσματος DevOps, μέσω πραγματικών περιπτώσεων και μελετών. Μετά την ολοκλήρωση του μαθήματος, οι συμμετέχοντες θα διαθέτουν συγκεκριμένες εφαρμογές που μπορούν να χρησιμοποιήσουν όταν είναι ξανά στο γραφείο, όπως η κατανόηση του Value Stream Mapping.

Εισαγωγή στις αρχές, τις πρακτικές και τα εργαλεία διαχείρισης ροής αξίας. Σχεδιασμένο για τη βελτιστοποίηση της ροής και της υλοποίησης αξίας σε ψηφιακές ροές αξίας και την ανάπτυξη των δεξιοτήτων των ατόμων. Οι ροές ψηφιακής αξίας περιλαμβάνουν τις εφαρμογές λογισμικού και τις υπηρεσίες εκτός από τις πλατφόρμες που τις υποστηρίζουν, π.χ. υποδομές cloud ή DevOps αλυσίδες εργαλείων

Τα θέματα των μαθημάτων που καλύπτονται περιλαμβάνουν τον τρόπο με τον οποίο το DevSecOps παρέχει επιχειρηματική αξία, ενισχύοντας τις επιχειρηματικές ευκαιρίες σας και βελτιώνοντας την εταιρική αξία. Οι βασικές αρχές DevSecOps που διδάσκονται μπορούν να υποστηρίξουν έναν οργανωτικό μετασχηματισμό, να αυξήσουν την παραγωγικότητα, να μειώσουν τον κίνδυνο και να βελτιστοποιήσουν τη χρήση των πόρων.

Το DevSecOps Practitioner εισάγει μια σειρά πρακτικών για την προώθηση σε πιο ολοκληρωμένη κατανόηση των πρακτικών DevSecOps. Εξερευνήστε πρακτικά αποτελέσματα με την εύρεση του σωστού μείγματος ανθρώπων, τη δημιουργία διαδικασιών για την επιτάχυνση της αξίας και τη σύγκριση των τεχνολογικών επιλογών που είναι διαθέσιμες σήμερα. Προσαρμοσμένο για οργανισμούς που μετασχηματίστηκαν πρόσφατα και θέλουν να βελτιώσουν τις δεξιότητες και την ευαισθητοποίηση του DevSecOps.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε προγραμματιστές και επιστήμονες δεδομένων που επιθυμούν να δημιουργήσουν, να αναπτύξουν και να διαχειριστούν ροές εργασιών μηχανικής μάθησης στο Kubernetes.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Εγκαταστήστε και διαμορφώστε το Kubeflow στην εγκατάσταση και στο cloud χρησιμοποιώντας AWS EKS (Elastic Kubernetes Service).
• Δημιουργήστε, αναπτύξτε και διαχειριστείτε ροές εργασίας ML με βάση Docker κοντέινερ και Kubernetes.
• Εκτελέστε ολόκληρους αγωγούς μηχανικής εκμάθησης σε διαφορετικές αρχιτεκτονικές και περιβάλλοντα cloud.
• Χρήση του Kubeflow για δημιουργία και διαχείριση φορητών υπολογιστών Jupyter.
• Δημιουργήστε εκπαίδευση ML, συντονισμό υπερπαραμέτρων και εξυπηρέτηση φόρτου εργασίας σε πολλές πλατφόρμες.

Αυτή η εκπαιδευτική εξ αποστάσεως, ζωντανή εκπαίδευση σε Ελλάδα (online ή on-site) απευθύνεται σε μηχανικούς που επιθυμούν να διατέθεσουν φόρτο εργασίας μηχανικής μάθησης σε έναν server AWS EC2.

Εως το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Εγκαταστήσουν και να ρυθμίσουν το Kubernetes, Kubeflow και άλλη απαραίτητη λογισμικό στο AWS.
• Να χρησιμοποιήσουν EKS (Elastic Kubernetes Service) για να εξυπηρητήσουν την απλοποίηση της προσωπικοποίησης μιας κλάδου Kubernetes στο AWS.
• Να δημιουργήσουν και να διαθέσουν έναν πίπα παραγωγής Kubernetes για την αυτόματη εκτέλεση και διαχείριση μοντέλων ML σε παραγωγή.
• Να εκπαιδεύσουν και να διαθέσουν TensorFlow μοντέλα ML σε πολλά GPUs και υπολογιστές τρέχοντας παράλληλα.
• Να εκμεταλλευτούν άλλες διαχειριζόμενες υπηρεσίες AWS για την επέκταση μιας εφαρμογής ML.

Αυτή η εκπαίδευση, η οποία υπόκειται στην καθοδήγηση του δάσκαλου (online ή on-site), απευθύνεται σε μηχανικούς που επιθυμούν να καταφέρουν να εφαρμόσουν φορτία δουλειάς μηχανικής μάθησης στο Azure cloud.

Το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Εγκαταστήσουν και ρυθμίσουν το Kubernetes, Kubeflow και άλλες απαραίτητες λογισμικές στο Azure.
• Να χρησιμοποιήσουν την Azure Kubernetes Service (AKS) για να απλοποιήσουν τη δουλειά της εκκίνησης μιας κλωβοδέσμης Kubernetes στο Azure.
• Να δημιουργήσουν και να καταφέρουν να εφαρμόσουν ένα κλωβό πίπελα Kubernetes για την αυτομάτο χειρισμό και διαχείριση ML μοντέλων σε παραγωγή.
• Να εκπαιδεύσουν και να εφαρμόσουν TensorFlow ML μοντέλα σε διάφορες GPUs και υπολογιστές που λειτουργούν σε παράλληλη λειτουργία.
• Να εκμεταλλευτούν άλλες διαχειρισμένες υπηρεσίες AWS για να επεκταθούν σε μια ML εφαρμογή.

Kubeflow είναι ένα ανοιχτό πλατφόρμα λογισμικού σχεδιασμένη να διευκολύνει την κατασκευή, εκπαίδευση και η εφαρμογή φορτίων εργασίας μηχανικής μάθησης σε Kubernetes.

Αυτή η κατεύθυνση υπό την καθοδήγηση εκπαιδευτικού, ζωντανά (online ή in-person) στοχεύει σε προфессионаλές αρχικού μέχρι διαμεσολαβητή επιπέδου, που θέλουν να κατασκευάσουν αξιόπιστα ροές εργασίας ML με τη χρήση Kubeflow.

Μετά την ολοκλήρωση αυτής της κατεύθυνσης, οι συμμετέχοντες θα εκτελέσουν τις δεξιότητες να:

• Να περιηγήσουν στο εκοσύστημα και τα βασικά συστατικά Kubeflow.
• Να κατασκευάζουν αναπαραγωγή ροές εργασίας με Kubeflow Pipelines.
• Να τρέχουν κλιμακώδη προσωπικές εργασίες στο Kubernetes.
• Να εφαρμόζουν μοντέλα μηχανικής μάθησης αποδοτικά χρησιμοποιώντας Kubeflow Serving.

Μορφή του μαθήματος

• Οδηγούμενες παρουσιάσεις και συλλογικές συζητήσεις.
• Εργασίες εφαρμογών με πραγματικά συστατικά Kubeflow.
• Πρακτικές εξασκήσεις για την κατασκευή ροών ML από την αρχή μέχρι το τέλος.

Εξατομικεύσεις κατευθύνσεων μαθήματος

• Εξατομικευμένες εκδοχές αυτής της κατεύθυνσης μπορούν να διοργανωθούν για να συμφωνούν με το stack τεχνολογίας και τους απαιτήσεις έργου της ομάδας σας.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε προγραμματιστές και επιστήμονες δεδομένων που επιθυμούν να δημιουργήσουν, να αναπτύξουν και να διαχειριστούν ροές εργασιών μηχανικής μάθησης στο Kubernetes.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Εγκαταστήστε και διαμορφώστε το Kubeflow στο premise και στο cloud.
• Δημιουργήστε, αναπτύξτε και διαχειριστείτε ροές εργασίας ML με βάση Docker κοντέινερ και Kubernetes.
• Εκτελέστε ολόκληρους αγωγούς μηχανικής εκμάθησης σε διαφορετικές αρχιτεκτονικές και περιβάλλοντα cloud.
• Χρήση του Kubeflow για δημιουργία και διαχείριση φορητών υπολογιστών Jupyter.
• Δημιουργήστε εκπαίδευση ML, συντονισμό υπερπαραμέτρων και εξυπηρέτηση φόρτου εργασίας σε πολλές πλατφόρμες.

Αυτή η ζωντανή εκπαίδευση μέσω εκπαιδευτών (διαδικτυακή ή επιτόπου) απευθύνεται σε επιστήμονες δεδομένων που επιθυμούν να προχωρήσουν πέρα από τη δημιουργία μοντέλων ML και να βελτιστοποιήσουν τη διαδικασία δημιουργίας, παρακολούθησης και ανάπτυξης μοντέλων ML.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Εγκαταστήστε και διαμορφώστε τις MLflow και σχετικές βιβλιοθήκες και πλαίσια ML.
• Εκτιμήστε τη σημασία της δυνατότητας παρακολούθησης, της δυνατότητας αναπαραγωγής και της δυνατότητας ανάπτυξης ενός μοντέλου ML
• Αναπτύξτε μοντέλα ML σε διαφορετικά δημόσια σύννεφα, πλατφόρμες ή διακομιστές εσωτερικής εγκατάστασης.
• Κλιμακώστε τη διαδικασία ανάπτυξης ML για να φιλοξενήσει πολλούς χρήστες που συνεργάζονται σε ένα έργο.
• Ρυθμίστε ένα κεντρικό μητρώο για να πειραματιστείτε, να αναπαράγετε και να αναπτύξετε μοντέλα ML.

Το μάθημα SRE (Site Reliability Engineering) Foundation είναι μια εισαγωγή στους αρχικούς κανόνες και τις πρακτικές που επιτρέπουν σε ένα οργανισμό να μεγαλώνει αξιόπιστα και οικονομικά την υποδοχή κρίσιμων υπηρεσιών. Η εισαγωγή μιας διάστασης υπηρεσιοθεσίας απαιτεί προσαρμογή του οργανισμού, νέα εστίαση στη μηχανική και την αυτομάτωση, καθώς και τη χρήση πολλών νέων εργαλείων.