Kubeflow on IBM Cloud培训

这种以讲师为主导的现场培训（现场或远程）针对的是希望超越构建ML模型并优化ML模型创建，跟踪和部署过程的数据科学家。

在培训结束时，参与者将能够：

• 安装和配置 MLflow 以及相关的 ML 库和框架。
• 了解 ML 模型的可跟踪性、可再现性和可部署性的重要性
• 将 ML 模型部署到不同的公有云、平台或本地服务器。
• 扩展 ML 部署过程，以适应在项目上进行协作的多个用户。
• 设置中央注册表以试验、复制和部署 ML 模型。

这种由讲师指导的中国现场现场培训面向希望将Machine Learning工作负载部署到AWS EC2服务器的工程师。

在培训结束时，参与者将能够：

• 在 AWS 上安装和配置 Kubernetes、Kubeflow 和其他需要的软件。
• 使用 EKS（Elastic Kubernetes Service）简化在 AWS 上初始化 Kubernetes 集群的工作。
• 创建和部署 Kubernetes 管道，用于在生产环境中自动执行和管理 ML 模型。
• 在多个并行运行的 GPU 和机器上训练和部署 TensorFlow ML 模型。
• 利用其他 AWS 托管服务来扩展 ML 应用程序。

这种由讲师指导的中国现场培训（现场或远程）面向希望将Machine Learning工作负载部署到Azure云的工程师。

在培训结束时，参与者将能够：

• 在 Azure 上安装和配置 Kubernetes、Kubeflow 和其他所需的软件。
使用 Azure Kubernetes
• 服务 （AKS） 简化在 Azure 上初始化 Kubernetes 群集的工作。
• 创建和部署 Kubernetes 管道，用于在生产环境中自动执行和管理 ML 模型。
• 在多个并行运行的 GPU 和机器上训练和部署 TensorFlow ML 模型。
• 利用其他 AWS 托管服务来扩展 ML 应用程序。

这种由讲师指导的中国现场培训（现场或远程）面向希望将Machine Learning工作负载部署到Google云平台（GCP）的工程师。

在培训结束时，参与者将能够：

• 在 GCP 和 GKE 上安装和配置 Kubernetes、Kubeflow 和其他需要的软件。
• 使用 GKE（Kubernetes Kubernetes Engine）简化在 GCP 上初始化 Kubernetes 集群的工作。
• 创建和部署 Kubernetes 管道，用于在生产环境中自动执行和管理 ML 模型。
• 在多个 GPU 和并行运行的机器上训练和部署 TensorFlow ML 模型。
• 利用其他 GCP 服务来扩展 ML 应用程序。

这种以讲师为主导的中国现场培训（现场或远程）针对的是希望评估当今可用的方法和工具的工程师，以便就在其组织内采用MLOps的前进道路做出明智的决定。

在培训结束时，参与者将能够：

• 安装和配置各种 MLOps 框架和工具。
• 组建一支具有正确技能的正确团队，以构建和支持 MLOps 系统。
• 准备、验证和版本控制数据以供 ML 模型使用。
• 了解 ML 管道的组件以及构建管道所需的工具。
• 尝试使用不同的机器学习框架和服务器进行部署到生产环境。
• 操作整个 Machine Learning 过程，使其可复制和维护。

这种以讲师为主导的现场培训（现场或远程）针对希望使用Azure Machine Learning和Azure DevOps来促进MLOps实践的机器学习工程师。

在培训结束时，参与者将能够：

• 构建可重现的工作流和机器学习模型。
• 管理机器学习生命周期。
• 跟踪和报告模型版本历史记录、资产等。
• 在任何地方部署生产就绪的机器学习模型。

这种以讲师为主导的中国现场培训（现场或远程）面向希望在Kubernetes上构建，部署和管理机器学习工作流的开发人员和数据科学家。

在培训结束时，参与者将能够：

• 使用 AWS EKS（弹性 Kubernetes 服务）在本地和云端安装和配置 Kubeflow。
• 基于 Docker 个容器和 Kubernetes 构建、部署和管理 ML 工作流。
• 在不同的架构和云环境中运行整个机器学习管道。
• 使用 Kubeflow 生成和管理 Jupyter 笔记本。
• 跨多个平台构建 ML 训练、超参数调优并为工作负载提供服务。

这种以讲师为主导的中国现场培训（现场或远程）面向希望在Kubernetes上构建，部署和管理机器学习工作流的开发人员和数据科学家。

在培训结束时，参与者将能够：

• 在本地和云端安装和配置 Kubeflow。
• 基于 Docker 个容器和 Kubernetes 构建、部署和管理 ML 工作流。
• 在不同的架构和云环境中运行整个机器学习管道。
• 使用 Kubeflow 生成和管理 Jupyter 笔记本。
• 跨多个平台构建 ML 训练、超参数调优并为工作负载提供服务。

这种以讲师为主导的现场培训（现场或远端）面向希望将Machine Learning工作负载部署到OpenShift本地或混合云的工程师。

• 在培训结束时，参与者将能够：
• 在 OpenShift 集群上安装和配置 Kubernetes 和 Kubeflow。
• 使用 OpenShift 可以简化初始化 Kubernetes 集群的工作。
• 创建和部署 Kubernetes 管道，用于在生产环境中自动化和管理 ML 模型。
• 在多个 GPU 和并行运行的计算机上训练和部署 TensorFlow 个 ML 模型。
• 从内部调用公有云服务（例如 AWS 服务）OpenShift 以扩展 ML 应用程式。