Os cursos de treinamento de MLOps ao vivo conduzidos por instrutor, on-line ou no local, demonstram, por meio da prática interativa, como usar as ferramentas de MLOps para automatizar e otimizar a implantação e a manutenção de sistemas de ML na produção. O treinamento MLOps está disponível como "treinamento ao vivo online" ou "treinamento ao vivo no local". O treinamento on-line ao vivo (também conhecido como "treinamento remoto ao vivo") é realizado por meio de uma área de trabalho remota e interativa. O treinamento ao vivo no local pode ser realizado localmente nas instalações do cliente em Portugal ou nos centros de treinamento corporativo da NobleProg em Portugal. NobleProg -- Seu provedor de treinamento local
Este treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a engenheiros de IA de nível avançado e cientistas de dados com experiência intermediária a avançada que desejam aprimorar o desempenho do modelo DeepSeek, minimizar a latência e implantar soluções de IA de forma eficiente usando práticas modernas MLOps.
No final deste treinamento, os participantes serão capazes de:
Otimize os modelos DeepSeek para eficiência, precisão e escalabilidade.
Implementar as melhores práticas para MLOps e versionamento de modelo.
Implante modelos DeepSeek na nuvem e na infraestrutura local.
Monitorizar, manter e escalar soluções de IA de forma eficaz.
Esse treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a desenvolvedores e cientistas de dados que desejam criar, implantar e gerenciar fluxos de trabalho de aprendizado de máquina em Kubernetes.
Ao final deste treinamento, os participantes serão capazes de:
Instalar e configurar Kubeflow no local e na nuvem usando o AWS EKS (Elastic Kubernetes Service).
Crie, implante e gerencie fluxos de trabalho de ML com base em contêineres Docker e Kubernetes.
Executar pipelines de aprendizagem automática completos em diversas arquitecturas e ambientes de nuvem.
Usando Kubeflow para gerar e gerenciar notebooks Jupyter.
Criar treinamento de ML, ajuste de hiperparâmetros e servir cargas de trabalho em várias plataformas.
Esse treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a desenvolvedores e cientistas de dados que desejam criar, implantar e gerenciar fluxos de trabalho de aprendizado de máquina em Kubernetes.
Ao final deste treinamento, os participantes serão capazes de:
Instalar e configurar Kubeflow no local e na nuvem.
Crie, implante e gerencie fluxos de trabalho de ML com base em contêineres Docker e Kubernetes.
Executar pipelines de aprendizado de máquina inteiros em diversas arquiteturas e ambientes de nuvem.
Usando Kubeflow para gerar e gerenciar notebooks Jupyter.
Criar treinamento de ML, ajuste de hiperparâmetros e servir cargas de trabalho em várias plataformas.
Este treinamento ao vivo conduzido por instrutor em Portugal (online ou no local) é destinado a engenheiros que desejam implantar cargas de trabalho Machine Learning em um servidor AWS EC2.
No final desta formação, os participantes serão capazes de
Instalar e configurar o Kubernetes, o Kubeflow e outros softwares necessários na AWS.
Use o EKS (Elastic Kubernetes Service) para simplificar o trabalho de inicialização de um cluster do Kubernetes na AWS.
Criar e implantar um pipeline do Kubernetes para automatizar e gerenciar modelos de ML na produção.
Treinar e implantar TensorFlow modelos de ML em várias GPUs e máquinas executadas em paralelo.
Utilizar outros serviços gerenciados da AWS para estender um aplicativo de ML.
Este treinamento ao vivo conduzido por instrutor em Portugal (online ou no local) é destinado a engenheiros que desejam implantar cargas de trabalho Machine Learning na nuvem do Azure.
No final desta formação, os participantes serão capazes de
Instalar e configurar o Kubernetes, o Kubeflow e outros softwares necessários no Azure.
Use o Serviço de Kubernetes do Azure (AKS) para simplificar o trabalho de inicialização de um cluster do Kubernetes no Azure.
Criar e implantar um pipeline do Kubernetes para automatizar e gerenciar modelos de ML na produção.
Treinar e implantar TensorFlow modelos de ML em várias GPUs e máquinas executadas em paralelo.
Utilizar outros serviços gerenciados da AWS para estender um aplicativo de ML.
Este treinamento ao vivo conduzido por instrutor (no local ou remoto) é destinado a cientistas de dados que desejam ir além da construção de modelos de ML e otimizar o processo de criação, rastreamento e implantação de modelos de ML.
No final deste treinamento, os participantes serão capazes de:
Instalar e configurar MLflow e bibliotecas e estruturas de ML relacionadas.
Apreciar a importância da rastreabilidade, reprodutibilidade e implantação de um modelo de ML
Implantar modelos de ML em diferentes nuvens públicas, plataformas ou servidores locais.
Dimensionar o processo de implementação de ML para acomodar vários utilizadores que colaboram num projeto.
Criar um registo central para experimentar, reproduzir e implementar modelos de ML.
Este treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a engenheiros que desejam avaliar as abordagens e ferramentas disponíveis hoje para tomar uma decisão inteligente sobre o caminho a seguir na adoção de MLOps em sua organização.
No final deste treinamento, os participantes serão capazes de:
Instalar e configurar vários frameworks e ferramentas MLOps.
Reunir o tipo certo de equipa com as competências adequadas para construir e suportar um sistema MLOps.
Preparar, validar e versionar dados para uso por modelos ML.
Compreender os componentes de um pipeline de ML e as ferramentas necessárias para o construir.
Experimentar diferentes estruturas e servidores de aprendizagem automática para implementação na produção.
Operacionalizar todo o processo Machine Learning para que seja reproduzível e passível de manutenção.
Este treinamento ao vivo conduzido por instrutor (no local ou remoto) é destinado a engenheiros de aprendizado de máquina que desejam usar Azure Machine Learning e Azure DevOps para facilitar as práticas MLOps.
No final deste treinamento, os participantes serão capazes de:
Construir fluxos de trabalho reproduzíveis e modelos de aprendizado de máquina.
Gerenciar o ciclo de vida do aprendizado de máquina.
Acompanhe e relate o histórico da versão do modelo, ativos e muito mais.
Implantar modelos de aprendizado de máquina prontos para produção em qualquer lugar.
Leia mais...
Última Atualização:
Declaração de Clientes (2)
o ecossistema de ML não se limita ao MLFlow, mas também inclui o Optuna, hyperopt, Docker e docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Curso - MLflow
Máquina Traduzida
Aproveitei a participação no treinamento Kubeflow, que foi realizado remotamente. Esse treinamento me permitiu consolidar meu conhecimento sobre serviços AWS, K8s e todas as ferramentas DevOps relacionadas ao Kubeflow, que são as bases necessárias para abordar o assunto de forma adequada. Gostaria de agradecer Malawski Marcin por sua paciência e profissionalismo no treinamento e nas dicas sobre práticas recomendadas. Malawski aborda o tema sob diferentes ângulos, com diferentes ferramentas de implantação Ansible, EKS kubectl, Terraform. Agora estou definitivamente convencido de que estou entrando na área correta de aplicação.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
