Cursos de Kubeflow

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.