
En línea o en el sitio, los cursos de capacitación MLOps en vivo dirigidos por un instructor demuestran a través de la práctica interactiva cómo usar las herramientas MLOps para automatizar y optimizar la implementación y el mantenimiento de los sistemas ML en producción.
La capacitación de MLOps está disponible como "capacitación en vivo en línea" o "capacitación en vivo en el sitio". La capacitación en vivo en línea (también conocida como "capacitación remota en vivo") se lleva a cabo a través de un escritorio remoto interactivo <a href = "https://www.dadesktop.com/>". La capacitación en vivo in situ se puede llevar a cabo localmente en las instalaciones del cliente en Uruguay o en los centros de capacitación corporativa de NobleProg en Uruguay.
NobleProg -- Su proveedor local de capacitación
Machine Translated
Algunos de nuestros clientes


















































Programa del curso MLOps
-
Instalar y configurar Kubernetes, Kubeflow y otro software necesario en AWS.
Utilice EKS (Servicio Elástico Kubernetes) para simplificar el trabajo de iniciación de un cluster Kubernetes en AWS.
Crea y implementa un Kubernetes pipeline para la automatización y la gestión de los modelos ML en la producción.
Treinar y implementar TensorFlow modelos ML a través de múltiples GPUs y máquinas que funcionan en paralelo.
Leverage otros servicios gestionados por AWS para extender una aplicación ML.
-
Lecciones y discusiones interactivas.
Muchos ejercicios y prácticas.
Implementación de manos en un entorno de laboratorio en vivo.
-
Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
-
Instalar y configurar Kubernetes, Kubeflow y otro software necesario en Azure.
Utilice Azure Kubernetes Servicio (AKS) para simplificar el trabajo de iniciar un Kubernetes cluster en Azure.
Crea y implementa un Kubernetes pipeline para la automatización y la gestión de los modelos ML en la producción.
Treinar y implementar TensorFlow modelos ML a través de múltiples GPUs y máquinas que funcionan en paralelo.
Leverage otros servicios gestionados por AWS para extender una aplicación ML.
-
Lecciones y discusiones interactivas.
Muchos ejercicios y prácticas.
Implementación de manos en un entorno de laboratorio en vivo.
-
Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
-
Instalar y configurar Kubernetes, Kubeflow y otro software necesario en GCP y GKE.
Utilice GKE (Kubernetes Kubernetes Motor) para simplificar el trabajo de iniciar un Kubernetes cluster en GCP.
Crea y implementa un Kubernetes pipeline para la automatización y la gestión de los modelos ML en la producción.
Treinar y implementar TensorFlow modelos ML a través de múltiples GPUs y máquinas que funcionan en paralelo.
Ofrecer otros servicios de GCP para extender una aplicación ML.
-
Lecciones y discusiones interactivas.
Muchos ejercicios y prácticas.
Implementación de manos en un entorno de laboratorio en vivo.
-
Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
-
Instalar y configurar Kubernetes, Kubeflow y otro software necesario en IBM Cloud Kubernetes Service (IKS).
Utilice IKS para simplificar el trabajo de iniciar un cluster Kubernetes en IBM Cloud.
Crea y implementa un Kubernetes pipeline para la automatización y la gestión de los modelos ML en la producción.
Treinar y implementar TensorFlow modelos ML a través de múltiples GPUs y máquinas que funcionan en paralelo.
Leverage otros servicios de IBM Cloud para extender una aplicación ML.
-
Lecciones y discusiones interactivas.
Muchos ejercicios y prácticas.
Implementación de manos en un entorno de laboratorio en vivo.
-
Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
-
Instalar y configurar diferentes MLOps cuadros y herramientas.
Reunir el tipo adecuado de equipo con las habilidades adecuadas para construir y apoyar un sistema MLOps.
Preparación, validación y versión de los datos para el uso por los modelos ML.
Comprender los componentes de un tubo ML y las herramientas necesarias para construir uno.
Experimenta con diferentes sistemas de aprendizaje de máquina y servidores para el despliegue a la producción.
Operar todo el proceso Machine Learning para que sea reproducible y sostenible.
-
Lecciones y discusiones interactivas.
Muchos ejercicios y prácticas.
Implementación de manos en un entorno de laboratorio en vivo.
-
Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
-
Instalar y configurar Kubeflow en la premisa y en la nube utilizando AWS EKS (Servicio Elástico Kubernetes).
Construcción, implementación y gestión de flujos de trabajo ML basados en Docker contenedores y Kubernetes.
Ejecuta todos los tubos de aprendizaje de máquina en diversas arquitecturas y en ambientes en la nube.
Usar Kubeflow para espallar y gestionar las notas de Jupyter.
Construye la formación de ML, el tuning de hiperparámetros y el servicio de cargas de trabajo en múltiples plataformas.
-
Lecciones y discusiones interactivas.
Muchos ejercicios y prácticas.
Implementación de manos en un entorno de laboratorio en vivo.
-
Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
-
Al final de este curso, los participantes podrán:
En la parte inferior de la parte inferior de la parte inferior de la parte inferior de la parte inferior de la parte inferior de la parte inferior de la parte inferior de la parte inferior de la parte inferior.
Utilice OpenShift para simplificar el trabajo de la iniciación de un Kubernetes cluster.
Crea y implementa un Kubernetes pipeline para la automatización y la gestión de los modelos ML en la producción.
Treinar y implementar TensorFlow modelos ML a través de múltiples GPUs y máquinas que funcionan en paralelo.
Póngase en contacto con los servicios de nube público (por ejemplo, los servicios de AWS) desde el interior OpenShift para ampliar una aplicación ML.
-
Lecciones y discusiones interactivas.
Muchos ejercicios y prácticas.
Implementación de manos en un entorno de laboratorio en vivo.
-
Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
-
Instalar y configurar Kubeflow en la premisa y en la nube.
Construcción, implementación y gestión de flujos de trabajo ML basados en Docker contenedores y Kubernetes.
Ejecuta todos los tubos de aprendizaje de máquina en diversas arquitecturas y en ambientes en la nube.
Usar Kubeflow para espallar y gestionar las notas de Jupyter.
Construye la formación de ML, el tuning de hiperparámetros y el servicio de cargas de trabajo en múltiples plataformas.
-
Lecciones y discusiones interactivas.
Muchos ejercicios y prácticas.
Implementación de manos en un entorno de laboratorio en vivo.
-
Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
Para saber más sobre Kubeflow, por favor visite: https://github.com/kubeflow/kubeflow
-
Instalar y configurar MLflow y bibliotecas y cuadros ML relacionados.
Valorar la importancia de la rastreabilidad, reproductibilidad y implementación de un modelo ML
Despliegue los modelos ML a diferentes nubes públicos, plataformas o servidores en prisión.
Escale el proceso de implementación de ML para alojar a múltiples usuarios que colaboran en un proyecto.
Establecer un registro central para experimentar, reproducir y implementar los modelos ML.
-
Lecciones y discusiones interactivas.
Muchos ejercicios y prácticas.
Implementación de manos en un entorno de laboratorio en vivo.
-
Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
Last Updated: