Curso de Kubeflow on Azure
Kubeflow Es un marco para la realización de Machine Learning cargas de trabajo en Kubernetes. TensorFlow es una de las bibliotecas de aprendizaje de máquina más populares. 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 Azure nube.
Al final de este curso, los participantes podrán:
- 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.
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 Azure Frente a los entornos locales frente a otros proveedores de nube pública
Descripción general de Kubeflow Características y arquitectura
Información general sobre el proceso de implementación
Activación de una cuenta Azure
Preparación e inicio de máquinas virtuales 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 Docker imagen
Configuración de un clúster Kubernetes mediante AKS
Almacenamiento provisional de los datos de entrenamiento y validación
Configuración de Kubeflow canalizaciones
Lanzamiento de un trabajo de formación.
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 automatizar la integración y el despliegue de funciones de aprendizaje automático con su aplicación.
Los cursos de formación abiertos requieren más de 5 participantes.
Curso de Kubeflow on Azure - Booking
Curso de Kubeflow on Azure - Enquiry
Kubeflow on Azure - Consultas
Consultas
Testimonios (5)
Era en gran medida lo que pedimos, y una cantidad bastante equilibrada de contenidos y ejercicios que cubrían los diferentes perfiles de los ingenieros de la empresa que participaron.
Arturo Sanchez - INAIT SA
Curso - Microsoft Azure Infrastructure and Deployment
Traducción Automática
Tengo que probar recursos que nunca he utilizado antes.
Daniel - INIT GmbH
Curso - Architecting Microsoft Azure Solutions
Traducción Automática
Los Ejercicios
Khaled Altawallbeh - Accenture Industrial SS
Curso - Azure Machine Learning (AML)
Traducción Automática
Muy amable y servicial
Aktar Hossain - Unit4
Curso - Building Microservices with Microsoft Azure Service Fabric (ASF)
Traducción Automática
el ecosistema de ML no solo incluye MLFlow sino también Optuna, hyperops, docker y docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Curso - MLflow
Traducción Automática
Próximos cursos
Cursos Relacionados
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.
Building AI Cloud Apps with Microsoft Azure
35 HorasThis instructor-led, live training in Guatemala (online or onsite) is aimed at intermediate-level to advanced-level professionals who wish to build and deploy AI-powered cloud applications using Microsoft Azure.
By the end of this training, participants will be able to:
- Develop event-driven and serverless applications using Azure Functions.
- Manage Azure storage solutions and virtual machines.
- Deploy and scale web applications using Azure App Service and Docker containers.
- Integrate AI, machine learning, and natural language processing using Azure AI Services.
- Leverage GitHub Copilot to assist in AI-driven cloud application development.
Azure Machine Learning (AML)
21 HorasEsta capacitación en vivo dirigida por un instructor en Guatemala (en línea o en el sitio) está dirigida a ingenieros que desean usar Azure la plataforma de arrastrar y soltar de ML para implementar Machine Learning cargas de trabajo sin tener que comprar software y hardware y sin tener que preocuparse por el mantenimiento y la implementación.
Al final de esta formación, los participantes serán capaces de:
- Escriba modelos de aprendizaje automático de alta precisión con herramientas Python, R o de código cero.
- Aproveche los conjuntos de datos y algoritmos disponibles de Azure para entrenar y realizar un seguimiento de los modelos de aprendizaje automático y aprendizaje profundo.
- Utilice el espacio de trabajo interactivo de Azure para desarrollar modelos de ML de forma colaborativa.
- Elija entre diferentes marcos de ML compatibles con Azure, como PyTorch, TensorFlow y scikit-learn.
Microsoft Azure Infrastructure and Deployment
35 HorasInfraestructura e implementación de Microsoft Azure
Arquitecturas de Soluciones de Microsoft Azure
14 HorasEsta capacitación permite a los delegados mejorar sus habilidades de diseño de soluciones.
Después de esta capacitación, el delegado comprenderá las características y capacidades de los servicios, para poder identificar compensaciones y tomar decisiones para diseñar soluciones de nube pública e híbrida.
Durante la capacitación, se definirán las soluciones de infraestructura y plataforma adecuadas para cumplir con los requisitos funcionales, operativos y de implementación requeridos a lo largo del ciclo de vida de la solución.
Azure DevOps Fundamentals
14 HorasEste curso en vivo dirigido por un instructor en Guatemala (en línea o in situ) está dirigido a DevOps ingenieros, desarrolladores y jefes de proyecto que deseen usar Azure DevOps para crear e implementar aplicaciones empresariales optimizadas más rápido que los enfoques de desarrollo tradicionales.
Al final de esta capacitación, los participantes serán capaces de:
- Comprender el vocabulario y los principios fundamentales DevOps.
- Instale y configure las herramientas de Azure DevOps necesarias para el desarrollo de software.
- Utilice las herramientas y los servicios de Azure DevOps para adaptarse continuamente al mercado.
- Cree aplicaciones empresariales y evalúe los procesos de desarrollo actuales en las soluciones de Azure DevOps.
- Gestione los equipos de forma más eficiente y acelere el tiempo de implementación del software.
- Adoptar DevOps prácticas de desarrollo dentro de la organización.
Building Microservices with Microsoft Azure Service Fabric (ASF)
21 HorasEsta formación en directo dirigida por un instructor en Guatemala (en línea o in situ) está dirigida a desarrolladores que desean aprender a crear microservicios en Microsoft Azure Service Fabric (ASF).
Al final de esta capacitación, los participantes serán capaces de:
- Utilice ASF como plataforma para crear y administrar microservicios.
- Comprender los conceptos y modelos clave de programación de microservicios.
- Cree un clúster en Azure.
- Implemente microservicios en las instalaciones o en la nube.
- Depurar y solucionar problemas de una aplicación de microservicios activa.
Kubeflow
35 HorasEsta capacitación en vivo dirigida por un instructor en Guatemala (en línea o presencial) está dirigida a desarrolladores y científicos de datos que desean crear, implementar y administrar flujos de trabajo de aprendizaje automático en Kubernetes.
Al final de esta formación, los participantes serán capaces de:
- Instale y configure Kubeflow en las instalaciones y en la nube mediante AWS EKS (Elastic Kubernetes Service).
- Cree, implemente y administre flujos de trabajo de ML basados en Docker contenedores y Kubernetes.
- Ejecute canalizaciones completas de aprendizaje automático en diversas arquitecturas y entornos en la nube.
- Uso de Kubeflow para generar y administrar cuadernos de Jupyter Notebook.
- Cree entrenamiento de ML, ajuste de hiperparámetros y entrega de cargas de trabajo en múltiples plataformas.
Kubeflow Fundamentals
28 HorasEsta capacitación en vivo dirigida por un instructor en Guatemala (en línea o presencial) está dirigida a desarrolladores y científicos de datos que desean crear, implementar y administrar flujos de trabajo de aprendizaje automático en Kubernetes.
Al final de esta formación, los participantes serán capaces de:
- Instale y configure Kubeflow en las instalaciones y en la nube.
- Cree, implemente y administre flujos de trabajo de ML basados en Docker contenedores y Kubernetes.
- Ejecute canalizaciones completas de aprendizaje automático en diversas arquitecturas y entornos en la nube.
- Uso de Kubeflow para generar y administrar cuadernos de Jupyter Notebook.
- Cree entrenamiento de ML, ajuste de hiperparámetros y entrega de cargas de trabajo en múltiples plataformas.
Kubeflow on AWS
28 HorasEsta capacitación 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 un servidor de AWS EC2.
Al final de esta capacitación, los participantes serán capaces de:
- Instale y configure Kubernetes, Kubeflow y otro software necesario en AWS.
- Utilice EKS (Elastic Kubernetes Service) para simplificar el trabajo de inicialización de un clúster de Kubernetes en AWS.
- 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.