Curso de Kubeflow on AWS
Kubeflow Es un marco para la realización de Machine Learning cargas de trabajo en Kubernetes. TensorFlow es una biblioteca de aprendizaje de máquina y Kubernetes es una plataforma de orquestación para la gestión de aplicaciones containerizadas.
Este entrenamiento guiado por instructores, en vivo (online o on-site) está dirigido a ingenieros que desean implementar Machine Learning cargas de trabajo en un servidor AWS EC2.
Al final de este curso, los participantes podrán:
- 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.
Formato del curso
- Lecciones y discusiones interactivas.
- Muchos ejercicios y prácticas.
- Implementación de manos en un entorno de laboratorio en vivo.
Opciones de Customización de Curso
- Para solicitar una formación personalizada para este curso, por favor contacta con nosotros para organizar.
Programa del Curso
Introducción
- Kubeflow on AWS Frente a los locales frente a otros proveedores de nube pública
Descripción general de Kubeflow Características y arquitectura
Activación de una cuenta de AWS
Preparación y lanzamiento de instancias de AWS habilitadas para GPU
Configuración de roles y permisos de usuario
Preparación del entorno de compilación
Selección de un TensorFlow modelo y un conjunto de datos
Empaquetar código y marcos en una imagen Docker
Configuración de un clúster Kubernetes mediante EKS
Almacenamiento provisional de los datos de entrenamiento y validación
Configuración de Kubeflow canalizaciones
Lanzamiento de un trabajo de formación mediante Kubeflow en EKS
Visualización del trabajo de entrenamiento en tiempo de ejecución
Limpieza después de que se complete el trabajo
Solución de problemas
Resumen y conclusión
Requerimientos
- Comprensión de los conceptos de aprendizaje automático.
- Conocimiento de los conceptos de computación en la nube.
- Conocimientos generales de contenedores (Docker) y orquestación (Kubernetes).
- Algo de Python experiencia en programación es útil.
- Experiencia trabajando con una línea de comandos.
Audiencia
- Ingenieros en ciencia de datos.
- DevOps Ingenieros interesados en la implementación de modelos de aprendizaje automático.
- Ingenieros de infraestructura interesados en la implementación de modelos de aprendizaje automático.
- Ingenieros de software que deseen integrar e implementar funciones de aprendizaje automático con su aplicación.
Los cursos de formación abiertos requieren más de 5 participantes.
Curso de Kubeflow on AWS - Booking
Curso de Kubeflow on AWS - Enquiry
Kubeflow on AWS - Consultas
Consultas
Testimonios (3)
el ecosistema de ML no solo incluye MLFlow sino también Optuna, hyperops, docker y docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Curso - MLflow
Traducción Automática
Todo bien, nada que mejorar
Ievgen Vinchyk - GE Medical Systems Polska Sp. Z O.O.
Curso - AWS Lambda for Developers
Traducción Automática
Aplicaciones de IoT
Palaniswamy Suresh Kumar - Makers' Academy
Curso - Industrial Training IoT (Internet of Things) with Raspberry PI and AWS IoT Core 「4 Hours Remote」
Traducción Automática
Próximos cursos
Cursos Relacionados
Advanced Amazon Web Services (AWS) CloudFormation
7 HorasEsta capacitación en vivo dirigida por un instructor en Guatemala (en línea o presencial) está dirigida a ingenieros y desarrolladores de la nube que desean utilizar CloudFormation para administrar recursos de infraestructura dentro del ecosistema de AWS.
Al final de esta formación, los participantes serán capaces de:
- Implemente plantillas CloudFormation para automatizar la gestión de la infraestructura.
- Integre los recursos de AWS existentes en CloudFormation.
- Use StackSets para administrar pilas en varias cuentas y regiones.
DeepSeek: Advanced Model Optimization and Deployment
14 HorasEste curso de formación en vivo dirigido por un instructor en Guatemala (en línea o presencial) está dirigido a ingenieros de IA y científicos de datos de nivel avanzado con experiencia intermedia a avanzada que desean mejorar DeepSeek el rendimiento del modelo, minimizar la latencia y implementar soluciones de IA de manera eficiente utilizando prácticas modernas MLOps.
Al final de esta capacitación, los participantes podrán:
- Optimizar DeepSeek modelos para eficiencia, precisión y escalabilidad.
- Implementar buenas prácticas para MLOps y versionado de modelos.
- Desplegar DeepSeek modelos en infraestructuras en la nube y locales.
- Monitorear, mantener y escalar soluciones de IA de manera efectiva.
Amazon DynamoDB for Developers
14 HorasEsta capacitación en vivo dirigida por un instructor en Guatemala (en línea o presencial) está dirigida a desarrolladores que desean integrar una base de datos de DynamoDB NoSQL en una aplicación web alojada en AWS.
Al final de esta formación, los participantes serán capaces de:
- Configure el entorno de desarrollo necesario para empezar a integrar datos en DynamoDB.
- Integre DynamoDB en aplicaciones web y aplicaciones móviles.
- Transfiera datos en AWS con los servicios de AWS.
- Implemente operaciones con AWS DAX.
AWS IoT Core
14 HorasEsta capacitación en vivo dirigida por un instructor en Guatemala (presencial o remota) está dirigida a ingenieros que desean implementar y administrar dispositivos IoT en AWS.
Al final de esta capacitación, los participantes podrán crear una plataforma de IoT que incluya la implementación y administración de un backend, una puerta de enlace y dispositivos sobre AWS.
Amazon Web Services (AWS) IoT Greengrass
21 HorasEsta capacitación en vivo dirigida por un instructor en Guatemala (en línea o en el sitio) está dirigida a desarrolladores que desean instalar, configurar y administrar AWS IoT las capacidades de Greengrass para crear aplicaciones para varios dispositivos.
Al final de esta capacitación, los participantes podrán usar AWS IoT Greengrass para crear, implementar, administrar, proteger y monitorear aplicaciones en dispositivos inteligentes.
AWS Lambda for Developers
14 HorasEsta capacitación en vivo dirigida por un instructor en Guatemala (presencial o remota) está dirigida a desarrolladores que desean usar AWS Lambda para crear e implementar servicios y aplicaciones en la nube, sin necesidad de preocuparse por el aprovisionamiento del entorno de ejecución (servidores, máquinas virtuales y contenedores, disponibilidad, escalabilidad, almacenamiento, etc.).
Al final de esta formación, los participantes serán capaces de:
- Configure AWS Lambda para ejecutar una función.
- Comprender FaaS (Functions as a Service) y las ventajas del desarrollo sin servidor.
- Construya, cargue y ejecute AWS Lambda funciones.
- Integre funciones de Lambda con diferentes fuentes de eventos.
- Empaquete, implemente, supervise y solucione problemas de aplicaciones basadas en Lambda.
AWS CloudFormation
7 HorasEsta capacitación en vivo dirigida por un instructor en Guatemala (en línea o en el sitio) está dirigida a ingenieros que deseen utilizar AWS CloudFormation para automatizar el proceso de administración de la infraestructura en la nube de AWS.
Al final de esta capacitación, los participantes serán capaces de:
- Habilite los servicios de AWS para comenzar a administrar la infraestructura.
- Comprender y aplicar el principio de “infraestructura como código”.
- Mejore la calidad y reduzca los costos de implementación de la infraestructura.
- Escriba AWS CloudFormation plantillas con YAML.
Mastering DevOps with AWS Cloud9
21 HorasEsta capacitación en vivo dirigida por un instructor en Guatemala (en línea o presencial) está dirigida a profesionales de nivel avanzado que desean profundizar su comprensión de las prácticas DevOps y optimizar los procesos de desarrollo con AWS Cloud9.
Al final de esta formación, los participantes serán capaces de:
- Instale y configure AWS Cloud9 para DevOps flujos de trabajo.
- Implemente canalizaciones de integración continua y entrega continua (CI/CD).
- Automatice los procesos de prueba, monitoreo e implementación con AWS Cloud9.
- Integre servicios de AWS como Lambda, EC2 y S3 en DevOps flujos de trabajo.
- Utilice sistemas de control de código fuente como GitHub o GitLab dentro de AWS Cloud9.
Developing Serverless Applications on AWS Cloud9
14 HorasEsta capacitación en vivo dirigida por un instructor en Guatemala (en línea o presencial) está dirigida a profesionales de nivel intermedio que deseen aprender a crear, implementar y mantener aplicaciones sin servidor de manera efectiva en AWS Cloud9 y AWS Lambda.
Al final de esta formación, los participantes serán capaces de:
- Comprenda los fundamentos de la arquitectura sin servidor.
- Configure AWS Cloud9 para el desarrollo de aplicaciones sin servidor.
- Desarrolle, pruebe e implemente aplicaciones sin servidor con AWS Lambda.
- Integre AWS Lambda con otros servicios de AWS, como API Gateway y S3.
- Optimice las aplicaciones sin servidor para mejorar el rendimiento y la rentabilidad.
Industrial Training IoT (Internet of Things) with Raspberry PI and AWS IoT Core 「4 Hours Remote」
4 HorasVeraniego:
- Conceptos básicos de la arquitectura y las funciones de IoT
- "Cosas", "Sensores", Internet y el mapeo entre las funciones de negocio de IoT
- Esencial de todos los componentes de software de IoT: hardware, firmware, middleware, nube y aplicación móvil
- Funciones de IoT: gestor de flotas, visualización de datos, FM y DV basados en SaaS, alerta/alarma, incorporación de sensores, incorporación de "cosas", geo-cercas
- Conceptos básicos de la comunicación de dispositivos IoT con la nube con MQTT.
- Conexión de dispositivos IoT a AWS con MQTT (AWS IoT Core).
- Conexión del núcleo AWS IoT con la función AWS Lambda para el cálculo y el almacenamiento de datos.
- Conexión de Raspberry PI con núcleo AWS IoT y comunicación de datos sencilla.
- Alertas y eventos
- Calibración del sensor
Industrial Training IoT (Internet of Things) with Raspberry PI and AWS IoT Core 「8 Hours Remote」
8 HorasResumen:
- Conceptos básicos de la arquitectura y las funciones de IoT
- "Cosas", "Sensores", Internet y el mapeo entre las funciones de negocio de IoT
- Esencial de todos los componentes de software de IoT: hardware, firmware, middleware, nube y aplicación móvil
- Funciones de IoT: gestor de flotas, visualización de datos, FM y DV basados en SaaS, alerta/alarma, incorporación de sensores, incorporación de "cosas", geo-cercas
- Conceptos básicos de la comunicación de dispositivos IoT con la nube con MQTT.
- Conexión de dispositivos IoT a AWS con MQTT (AWS IoT Core).
- Conexión del núcleo AWS IoT con la función AWS Lambda para el cálculo y el almacenamiento de datos mediante DynamoDB.
- Conexión de Raspberry PI con núcleo AWS IoT y comunicación de datos sencilla.
- Manos a la obra con Raspberry PI y AWS IoT Core para construir un dispositivo inteligente.
- Visualización de datos de sensores y comunicación con interfaz web.
Kubeflow on Azure
28 HorasEsta formación en vivo dirigida por un instructor en Guatemala (en línea o in situ) está dirigida a ingenieros que desean implementar Machine Learning cargas de trabajo en la nube de Azure.
Al final de esta capacitación, los participantes serán capaces de:
- Instale y configure Kubernetes, Kubeflow y otro software necesario en Azure. Use Azure Kubernetes
- Service (AKS) para simplificar el trabajo de inicialización de un clúster de Kubernetes en Azure.
- Cree e implemente una canalización de Kubernetes para automatizar y administrar modelos de ML en producción.
- Entrene e implemente TensorFlow modelos de ML en varias GPU y máquinas que se ejecutan en paralelo.
- Aproveche otros servicios administrados de AWS para ampliar una aplicación de ML.
MLflow
21 HorasEsta capacitación en vivo dirigida por un instructor (en línea o presencial) está dirigida a científicos de datos que desean ir más allá de la creación de modelos de ML y optimizar el proceso de creación, seguimiento e implementación de modelos de ML.
Al final de esta formación, los participantes serán capaces de:
- Instale y configure MLflow y las bibliotecas y marcos de ML relacionados.
- Apreciar la importancia de la trazabilidad, la reproducibilidad y la capacidad de implementación de un modelo de ML
- Implemente modelos de ML en diferentes nubes públicas, plataformas o servidores locales.
- Escale el proceso de implementación de ML para dar cabida a varios usuarios que colaboran en un proyecto.
- Configure un registro central para experimentar, reproducir e implementar modelos de ML.
MLOps: CI/CD for Machine Learning
35 HorasEsta capacitación en vivo dirigida por un instructor en Guatemala (en línea o en el sitio) está dirigida a ingenieros que desean evaluar los enfoques y herramientas disponibles hoy en día para tomar una decisión inteligente sobre el camino a seguir en la adopción MLOps dentro de su organización.
Al final de esta formación, los participantes serán capaces de:
- Instale y configure varios MLOps marcos y herramientas.
- Reúna el tipo correcto de equipo con las habilidades adecuadas para construir y apoyar un sistema MLOps.
- Prepare, valide y versione los datos para su uso por parte de los modelos de ML.
- Comprenda los componentes de una canalización de ML y las herramientas necesarias para crear una.
- Experimente con diferentes marcos y servidores de aprendizaje automático para implementarlos en producción.
- Ponga en funcionamiento todo el proceso Machine Learning para que sea reproducible y mantenible.
MLOps for Azure Machine Learning
14 HorasEsta capacitación en vivo dirigida por un instructor (en línea o en el sitio) está dirigida a ingenieros de aprendizaje automático que desean usar Azure Machine Learning y Azure DevOps para facilitar MLOps prácticas.
Al final de esta formación, los participantes serán capaces de:
- Cree flujos de trabajo reproducibles y modelos de aprendizaje automático.
- Administre el ciclo de vida del aprendizaje automático.
- Realice un seguimiento y genere informes sobre el historial de versiones del modelo, los activos y mucho más.
- Implemente modelos de aprendizaje automático listos para producción en cualquier lugar.