Curso de Docker para MLOps: Containerização de Pipelines de Ponta a Ponta

Este treinamento ao vivo, conduzido por instrutores em Portugal (online ou presencial), destina-se a engenheiros que desejam avançar seus conhecimentos de Docker para implantar aplicações em grande escala, mantendo o controle.

Ao final deste treinamento, os participantes poderão:

• Construir suas próprias imagens Docker.
• Implantar e gerenciar um grande número de aplicações Docker.
• Avaliar diferentes soluções de orquestração de containers e escolher a mais adequada.
• Configurar um processo de integração contínua para aplicações Docker.
• Integrar aplicações Docker com processos de integração de ferramentas contínuas existentes.
• Segurar suas aplicações Docker.

Este treinamento ao vivo, ministrado por instrutor em Portugal (online ou no local), destina-se a engenheiros de IA e cientistas de dados de nível avançado com experiência intermediária a avançada, que desejam aprimorar o desempenho dos modelos DeepSeek, minimizar a latência e implantar soluções de IA de forma eficiente, utilizando práticas modernas de MLOps.

Ao final deste treinamento, os participantes serão capazes de:

• Otimizar modelos DeepSeek para eficiência, precisão e escalabilidade.
• Implementar as melhores práticas para MLOps e versionamento de modelos.
• Implantar modelos DeepSeek em infraestrutura de nuvem e local.
• Monitorar, manter e dimensionar soluções de IA de forma eficaz.

Aprenda a construir, implantar e administrar ambientes em contêiner usando Docker, Kubernetes e OpenShift. Esta formação prática de cinco dias abrange imagens de contêiner, cargas de trabalho do Kubernetes, rede de clusters, armazenamento, segurança, monitoramento e administração prática do OpenShift. Os participantes adquirem as habilidades necessárias para operar plataformas modernas de contêiner e solucionar problemas de aplicativos em ambientes de desenvolvimento e produção.

Neste treinamento conduzido por instrutor em Portugal (presencial ou remoto), os participantes aprenderão a criar e gerenciar contêineres Docker, depois implantar uma aplicação de exemplo dentro de um contêiner. Os participantes também aprenderão a automatizar, escalar e gerenciar suas aplicações containerizadas em um cluster Kubernetes. Por fim, o treinamento abordará tópicos mais avançados, guiando os participantes pelo processo de segurança, escalonamento e monitoramento de um cluster Kubernetes.

Ao final deste treinamento, os participantes serão capazes de:

• Configurar e executar um contêiner Docker.
• Implantar um servidor containerizado e uma aplicação web.
• Construir e gerenciar imagens Docker.
• Configurar um cluster Docker e Kubernetes.
• Usar o Kubernetes para implantar e gerenciar uma aplicação web clusterizada.
• Segurar, escalar e monitorar um cluster Kubernetes.

Objetivos do curso: Adquirir habilidades teóricas e operacionais em Docker e Kubernetes.

Esta formação ao vivo, conduzida por instrutor, em Portugal (online ou presencial), destina-se a desenvolvedores e cientistas de dados que desejam construir, implantar e gerenciar fluxos de trabalho de aprendizado de máquina no Kubernetes.

Ao final desta formação, os participantes serão capazes de:

• Instalar e configurar o Kubeflow em ambiente on-premise e na nuvem.
• Construir, implantar e gerenciar fluxos de trabalho de ML baseados em contêineres Docker e Kubernetes.
• Executar pipelines completos de aprendizado de máquina em arquiteturas diversas e ambientes em nuvem.
• Utilizar o Kubeflow para iniciar e gerenciar notebooks Jupyter.
• Construir cargas de trabalho de treinamento de ML, ajuste de hiperparâmetros e serviço em múltiplas plataformas.

Este treinamento liderado por instrutor (online ou presencial) em Portugal 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 do MLOps em sua organização.

Ao final deste treinamento, os participantes serão capazes de:

• Instalar e configurar vários frameworks e ferramentas de MLOps.
• Montar a equipe certa com as habilidades adequadas para construir e suportar um sistema de MLOps.
• Preparar, validar e versionar dados para uso por modelos de ML.
• Compreender os componentes de um Pipeline de ML e as ferramentas necessárias para construí-lo.
• Experimentar diferentes frameworks e servidores de aprendizado de máquina para deploy em produção.
• Operacionalizar todo o processo de Aprendizado de Máquina para que seja reproduzível e mantido.