广东MLOps（机器学习运维）培训

本课程为讲师引导的培训，在广东（线上或线下）进行，面向具有中高级经验的AI工程师和数据科学家，旨在通过现代MLOps实践，提升DeepSeek模型的性能，减少延迟，并高效部署AI解决方案。

培训结束后，学员将能够：

• 优化DeepSeek模型，提升效率、准确性和可扩展性。
• 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AI解决方案。

MLOps on Kubernetes 是一个框架，用于通过容器化流水线和GitOps工作流自动化机器学习的训练、验证、打包和部署。

本课程由讲师指导，提供线上或线下培训，面向希望构建自动化、可扩展的MLOps流水线的中级从业者。

完成本培训后，学员将能够：

• 设计端到端的机器学习CI/CD流水线。
• 实现用于模型部署和版本控制的GitOps工作流。
• 自动化机器学习模型的训练、测试和打包。
• 集成监控、告警和回滚策略。

课程形式

• 讲师引导的演讲和技术深入探讨。
• 实践练习，构建真实的CI/CD工作流。
• 实时实验室练习，部署机器学习工作负载到Kubernetes。

课程定制选项

• 组织可以请求与内部MLOps工具和基础设施相匹配的定制内容。

Kubeflow 是一个开源平台，旨在简化在 Kubernetes 上构建、训练和部署机器学习工作负载的过程。

本课程为讲师指导的培训（线上或线下），面向希望使用 Kubeflow 构建可靠机器学习工作流的初级到中级专业人士。

完成本培训后，学员将掌握以下技能：

• 熟悉 Kubeflow 生态系统及其核心组件。
• 使用 Kubeflow Pipelines 构建可重复的工作流。
• 在 Kubernetes 上运行可扩展的训练任务。
• 使用 Kubeflow Serving 高效部署机器学习模型。

课程形式

• 引导式演示与协作讨论。
• 使用真实 Kubeflow 组件的实践操作。
• 构建端到端机器学习工作流的实际练习。

课程定制选项

• 可根据团队的技术栈和项目需求定制本培训内容。

Docker是一个容器化平台，用于为ML系统构建可重复、可移植和可扩展的环境。

本课程为讲师指导的培训（线上或线下），面向希望使用Docker容器化并操作完整ML管道的中级到高级技术专业人员。

培训结束后，学员将能够：

• 容器化ML训练、验证和推理工作负载。
• 使用Docker和支持工具设计和编排端到端ML管道。
• 为ML组件实现版本控制、可重复性和CI/CD。
• 在容器化环境中部署、监控和扩展ML服务。

课程形式

• 互动讲座，辅以实际演示。
• 专注于构建真实ML管道组件的实践练习。
• 端到端容器化工作流程的实时实验。

课程定制选项

• 如需根据特定ML基础设施需求定制培训，请联系我们讨论选项。

这种以讲师为主导的广东现场培训（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。

本课程为讲师指导的广东线下或线上培训，面向希望将机器学习工作负载部署到 AWS EC2 服务器的工程师。

培训结束后，参与者将能够：

• 在 AWS 上安装和配置 Kubernetes、Kubeflow 及其他所需软件。
• 使用 EKS（Elastic Kubernetes Service）简化在 AWS 上初始化 Kubernetes 集群的工作。
• 创建并部署 Kubernetes 流水线，以自动化和管理生产环境中的 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 AWS 托管服务扩展 ML 应用。

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。

这种以讲师为主导的广东现场培训（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。

本次由讲师指导的培训在广东（线上或线下）面向希望评估当前可用方法和工具的工程师，以便在组织内采用MLOps时做出明智的决策。

通过本次培训，参与者将能够：

• 安装和配置各种MLOps框架和工具。
• 组建具备正确技能的团队，以构建和支持MLOps系统。
• 准备、验证和版本化数据以供ML模型使用。
• 了解ML管道的组件及其所需的工具。
• 实验不同的机器学习框架和服务器，以部署到生产环境。
• 将整个机器学习过程操作化，使其可重现和可维护。

本课程为讲师指导的线下或线上培训，面向希望使用Azure Machine Learning和Azure DevOps来推动MLOps实践的机器学习工程师。

通过本培训，参与者将能够：

• 构建可重复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、资产等。
• 在任何地方部署生产就绪的机器学习模型。