MLOps for Azure Machine Learning 培训

此针对具有中级至高级经验的高级人工智能工程师和数据科学家的中国（在线或现场）培训课程旨在通过现代MLOps实践有效地提高DeepSeek模型性能、降低延迟和部署人工智能解决方案。

培训结束时，参与者将能够：

• 优化效率、准确性和可伸缩性的DeepSeek模型。
• 实施MLOps和模型版本控制的最佳实践。
• 在云端和本地基础设施上部署DeepSeek模型。
• 有效监控、维护和扩展人工智能解决方案。

该培训允许代表提高他们的 Microsoft Azure 解决方案设计技能。

在本次培训之后，学员将了解 Azure 服务的特性和功能，以便能够识别权衡，并做出设计公共云和混合云解决方案的决策。

在培训期间，将定义适当的基础设施和平台解决方案，以满足整个解决方案生命周期中所需的功能、操作和部署要求。

此讲师指导的 中国（在线或现场）实时培训面向希望学习如何在 Microsoft Azure Service Fabric （ASF） 上构建微服务的开发人员。

在培训结束时，参与者将能够：

• 使用 ASF 作为构建和管理微服务的平台。
• 了解关键的微服务编程概念和模型。
• 在 Azure 中创建集群。
• 在本地或云中部署微服务。
• 对实时微服务应用程序进行调试和故障排除。

Azure Bot服务结合了Microsoft Bot Framework和Azure功能的强大功能，可实现智能机器人的快速开发。

在这个由讲师指导的实时培训中，参与者将学习如何使用Microsoft Azure轻松创建智能机器人

在培训结束时，参与者将能够：

• 了解智能机器人的基础知识
• 了解如何使用云应用程序创建智能机器人
• 了解如何使用Microsoft Bot Framework，Bot Builder SDK和Azure Bot服务
• 了解如何使用bot模式设计机器人
• 使用Microsoft Azure开发他们的第一个智能机器人

听众

• 开发商
• 爱好者
• 工程师
• IT专业人士

课程形式

• 部分讲座，部分讨论，练习和繁重的实践练习

在这个由讲师指导的中国（现场或远程）现场培训中，参与者将 学习 Microsoft Azure的基本概念，组件和服务，因为他们逐步创建了示例云应用程序。

在培训结束时，参与者将能够：

• 了解 Microsoft Azure 的基础知识
• 了解不同的 Azure 工具和服务
• 了解如何使用 Azure 构建云应用程序

Internet of Things (IoT) 是一种网路基础设施，它以无线方式连接物理对象和软体应用程式，使它们能够通过网路通信、云计算和数据捕获相互通信并交换数据。Azure 是一套全面的云服务，它提供了一个物联网套件，由预配置的解决方案组成，可帮助开发人员加速物联网项目的开发。

在这个以讲师为主导的现场培训中，参与者将学习如何使用 Azure 开发物联网应用程式。

在培训结束时，参与者将能够：

• 了解IoT架构的基础知识
• 安装和配置 Azure IoT 套件
• 了解在物联网系统程式设计中使用 Azure 的好处
• 实现各种 Azure IoT 服务（IoT 中心、Functions、流分析、Power BI、Cosmos DB、DocumentDB、IoT 设备 Management）
• 使用 Azure 构建、测试、部署IoT系统并对其进行故障排除

观众

• 开发人员
• 工程师

课程形式

• 部分讲座，部分讨论，练习和大量的实践练习

注意

• 如需申请此课程的定制培训，请联系我们进行安排。

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。

此由讲师指导的现场培训（在线或现场）主要针对希望将 Machine Learning 工作负载部署到 Azure 云的工程师。

培训结束后，学员将能够：

• 在 Azure 上安装并配置 Kubernetes、Kubeflow 及其他所需软件。
• 使用 Azure Kubernetes 服务（AKS）简化在 Azure 上初始化 Kubernetes 集群的工作。
• 创建并部署 Kubernetes 管道，用于自动化和管理生产中的 ML 模型。
• 在多个GPU和并行运行的机器上训练和部署TensorFlowML模型。
• 利用其他 AWS 托管服务来扩展 ML 应用程序。

在这个由讲师指导的中国现场培训（现场或远端）中，参与者将学习如何在AKS上使用Kubernetes设置和管理生产规模的容器环境。 

在培训结束时，参与者将能够：

• 在 AKS 上配置和管理 Kubernetes。
• 部署、管理和缩放 Kubernetes 集群。
• 在 Azure 上部署容器化 （Docker） 应用程式。
• 将现有 Kubernetes 环境从本地迁移到 AKS 云。
• 将 Kubernetes 与第三方持续集成 （CI） 软体集成。
• 确保 Kubernetes 中的高可用性和灾难恢复。

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。