MLOps: CI/CD for Machine Learning培訓

這種以講師為主導的現場培訓（現場或遠端）針對的是希望超越構建ML模型並優化ML模型創建，跟蹤和部署過程的數據科學家。

在培訓結束時，參與者將能夠：

• 安裝和配置 MLflow 以及相關的 ML 庫和框架。
• 瞭解 ML 模型的可跟蹤性、可重現性和可部署性的重要性
• 將 ML 模型部署到不同的公有雲、平臺或本地伺服器。
• 擴展 ML 部署過程，以適應多個使用者在一個專案上進行協作。
• 設置中央註冊表以試驗、複製和部署ML模型。

這種以講師為主導的澳門現場現場培訓面向希望在Kubernetes上構建，部署和管理機器學習工作流的開發人員和數據科學家。

在培訓結束時，參與者將能夠：

• 使用 AWS EKS（Elastic Kubernetes Service）在本地和雲中安裝和配置 Kubeflow。
• 基於 Docker 容器和 Kubernetes 構建、部署和管理 ML 工作流。
• 在不同的架構和雲環境中運行整個機器學習管道。
• 使用 Kubeflow 生成和管理 Jupyter 筆記本。
• 跨多個平台構建 ML 訓練、超參數調優和服務工作負載。

這種由講師指導的澳門現場現場培訓面向希望將Machine Learning工作負載部署到AWS EC2伺服器的工程師。

在培訓結束時，參與者將能夠：

• 在 AWS 上安裝和配置 Kubernetes、Kubeflow 和其他需要的軟體。
• 使用 EKS（Elastic Kubernetes Service）簡化在 AWS 上初始化 Kubernetes 集群的工作。
• 創建和部署 Kubernetes 管道，用於在生產環境中自動執行和管理 ML 模型。
• 在多個並行運行的 GPU 和機器上訓練和部署 TensorFlow ML 模型。
• 利用其他 AWS 託管服務來擴展 ML 應用程式。

這種由講師指導的澳門現場培訓（現場或遠端）面向希望將Machine Learning工作負載部署到Azure雲的工程師。

在培訓結束時，參與者將能夠：

• 在 Azure 上安裝和配置 Kubernetes、Kubeflow 和其他所需的軟體。
使用 Azure Kubernetes
• 服務 （AKS） 簡化在 Azure 上初始化 Kubernetes 群集的工作。
• 創建和部署 Kubernetes 管道，用於在生產環境中自動執行和管理 ML 模型。
• 在多個並行運行的 GPU 和機器上訓練和部署 TensorFlow ML 模型。
• 利用其他 AWS 託管服務來擴展 ML 應用程式。

這種由講師指導的澳門現場培訓（現場或遠端）面向希望將Machine Learning工作負載部署到Google雲平臺（GCP）的工程師。

在培訓結束時，參與者將能夠：

• 在 GCP 和 GKE 上安裝和配置 Kubernetes、Kubeflow 和其他需要的軟體。
• 使用 GKE（Kubernetes Kubernetes Engine）簡化在 GCP 上初始化 Kubernetes 集群的工作。
• 創建和部署 Kubernetes 管道，用於在生產環境中自動執行和管理 ML 模型。
• 在多個 GPU 和並行運行的機器上訓練和部署 TensorFlow ML 模型。
• 利用其他 GCP 服務來擴展 ML 應用程式。

這種由講師指導的澳門現場（現場或遠端）現場培訓面向希望將Machine Learning工作負載部署到IBM Cloud Kubernetes Service（IKS）的工程師。

在培訓結束時，參與者將能夠：

• 在 IBM Cloud Kubernetes Service （IKS） 上安裝和配置 Kubernetes、Kubeflow 和其他所需的軟體。
• 使用 IKS 簡化在 IBM Cloud 上初始化 Kubernetes 集群的工作。
• 創建和部署 Kubernetes 管道，用於在生產環境中自動執行和管理 ML 模型。
• 在多個並行運行的 GPU 和機器上訓練和部署 TensorFlow ML 模型。
• 利用其他 IBM Cloud 服務來擴展 ML 應用程式。

這種以講師為主導的現場培訓（現場或遠端）面向希望將機器學習工作負載部署到 OpenShift 本地或混合雲的工程師。

• 在培訓結束時，參與者將能夠：
• 在 OpenShift 集群上安裝和配置 Kubernetes 和 Kubeflow。
• 使用 OpenShift 簡化初始化 Kubernetes 集群的工作。
• 創建和部署 Kubernetes 管道，用於在生產環境中自動執行和管理 ML 模型。
• 在多個並行運行的 GPU 和機器上訓練和部署 TensorFlow ML 模型。
• 從 OpenShift 中調用公有雲端服務（例如 AWS 服務）以擴展 ML 應用程式

這種以講師為主導的澳門現場現場培訓面向希望在Kubernetes上構建，部署和管理機器學習工作流的開發人員和數據科學家。

在培訓結束時，參與者將能夠：

• 在本地和雲端安裝和配置 Kubeflow。
• 基於 Docker 容器和 Kubernetes 構建、部署和管理 ML 工作流。
• 在不同的架構和雲環境中運行整個機器學習管道。
• 使用 Kubeflow 生成和管理 Jupyter 筆記本。
• 跨多個平台構建 ML 訓練、超參數調優和服務工作負載。

本課程專為從事 DevOps 部署管道和工具鏈的設計、實施和管理的學員而設計，這些管道和工具鏈支持持續集成、持續交付、持續測試和潛在的持續部署。該課程重點介紹了持續交付的基礎流程、指標、APl 和文化考慮因素

瞭解如何優化測試，更快地進行測試，同時仍能獲得良好的品質和一致的穩定結果。

了解什麼是 DevOps 工程，為什麼 DevOps 工程很重要，以及 DevOps 是如何為成功而設計的。

本課程首先簡要回顧了 DevOps 基本原則，然後過渡到實施 DevOps。它是從工程角度設計的，涵蓋了諸如 DevOps 等與其他框架、技術相關的主題，
應用程式設計實踐、持續集成實踐、持續交付和部署、持續測試、彈性基礎設施、監控、指標、可觀測性、治理、人為因素和 DevOps 工程的未來趨勢。

DevOps 基礎課程提供了對關鍵 DevOps 術語的基本理解，以確保每個人都使用相同的語言，並強調了 DevOps 對支持組織成功的好處。

該課程強調了文化變革的人類動態，併為參與者提供了實踐、方法和工具，通過使用現實生活中的場景和案例研究來吸引 DevOps 範圍內的人們。完成課程后，參與者在回到辦公室時將有切實的收穫，例如了解價值流圖。

介紹價值流管理原則、實踐和工具。旨在優化數位價值流中的價值流和實現，並培養個人技能。數字價值流包括軟體應用程式和服務，以及支援它們的平臺，例如雲基礎設施或 DevOps 工具鏈

涵蓋的課程主題包括 DevSecOps 如何提供業務價值、增強業務機會以及提高企業價值。 所教授的核心DevSecOps原則可以支持組織轉型、提高生產力、降低風險並優化資源使用。