MLOps: CI/CD for Machine Learning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、可重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，以适应多个用户在一个项目上进行协作。
• 设置中央注册表以试验、复制和部署 ML 模型。

这种以讲师为主导的中国现场现场培训面向希望在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（Elastic Kubernetes Service）在本地和云中安装和配置 Kubeflow。
• 基于 Docker 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、超参数调优和服务工作负载。

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。

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

在培训结束时，参与者将能够：

• 在 IBM Cloud Kubernetes Service （IKS） 上安装和配置 Kubernetes、Kubeflow 和其他所需的软件。
• 使用 IKS 简化在 IBM Cloud 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 IBM Cloud 服务来扩展 ML 应用程序。

这种以讲师为主导的现场培训（现场或远程）面向希望将机器学习工作负载部署到 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 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。
• 从 OpenShift 中调用公有云服务（例如 AWS 服务）以扩展 ML 应用程序

这种以讲师为主导的中国现场现场培训面向希望在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 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、超参数调优和服务工作负载。

DevOps 基础课程提供了对关键 DevOps 术语的基本理解，以确保每个人都使用相同的语言，并强调了 DevOps 对支持组织成功的好处。

涵盖的课程主题包括 DevSecOps 如何提供业务价值、增强业务机会以及提高企业价值。 所教授的核心 DevSecOps 原则可以支持组织转型、提高生产力、降低风险并优化资源使用。

该课程强调了文化变革的人类动态，并为参与者提供了实践、方法和工具，通过使用现实生活中的场景和案例研究来吸引 DevOps 范围内的人们。完成课程后，参与者在回到办公室时将有切实的收获，例如了解价值流图。

DevSecOps Practitioner 介绍了一系列实践，以更全面地了解 DevSecOps 实践。通过寻找合适的人员组合、构建流程以加速价值以及比较当今可用的技术选项来探索实际成果。专为希望增强 DevSecOps 技能和意识的最近转型的组织量身定制。

本课程专为从事 DevOps 部署管道和工具链的设计、实施和管理的学员而设计，这些管道和工具链支持持续集成、持续交付、持续测试和潜在的持续部署。该课程重点介绍了持续交付的基础流程、指标、APl 和文化考虑因素

了解如何优化测试，更快地进行测试，同时仍能获得良好的质量和一致的稳定结果。

介绍价值流管理原则、实践和工具。旨在优化数字价值流中的价值流和实现，并培养个人技能。数字价值流包括软件应用程序和服务，以及支持它们的平台，例如云基础设施或 DevOps 工具链