MLOps: 機器學習的CI/CD培訓

本課程專爲參與設計、實施和管理支持持續集成、持續交付、持續測試以及潛在持續部署的DevOps部署流水線和工具鏈的參與者而設計。課程重點介紹了持續交付的基礎流程、指標、API和文化考量。

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DevOps工程是什么，为什么DevOps工程很重要，以及如何成功设计DevOps。

本课程首先简要回顾DevOps的基础原则，然后过渡到DevOps的实施。它从工程的角度设计，涵盖了DevOps与其他框架、技术、应用设计实践、持续集成实践、持续交付和部署、持续测试、弹性基础设施、监控、指标、可观察性、治理、人类因素以及DevOps工程的未来趋势等主题。

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。

本課程強調了文化變革中的人際動態，並通過使用真實場景和案例研究，爲參與者提供了跨DevOps領域的人員參與實踐、方法和工具。完成課程後，參與者將獲得切實的收穫，例如理解價值流圖，以便在回到辦公室時加以利用。

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。

DevSecOps Practitioner 介紹了一系列實踐，以更全面地瞭解 DevSecOps 實踐。通過尋找合適的人員組合、構建流程以加速價值以及比較當今可用的技術選項來探索實際成果。專為希望增強DevSecOps技能和意識的最近轉型的組織量身定製。

這種以講師為主導的澳門現場培訓（現場或遠端）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（彈性 Kubernetes 服務）在本地和雲端安裝和配置 Kubeflow。
• 基於 Docker 個容器和 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、超參數調優併為工作負載提供服務。

本課程爲講師指導的澳門線下或線上培訓，面向希望將機器學習工作負載部署到 AWS EC2 服務器的工程師。

培訓結束後，參與者將能夠：

• 在 AWS 上安裝和配置 Kubernetes、Kubeflow 及其他所需軟件。
• 使用 EKS（Elastic Kubernetes Service）簡化在 AWS 上初始化 Kubernetes 集羣的工作。
• 創建並部署 Kubernetes 流水線，以自動化和管理生產環境中的 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 AWS 託管服務擴展 ML 應用。

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。

Kubeflow 是一個開源平臺，旨在簡化在 Kubernetes 上構建、訓練和部署機器學習工作負載的過程。

本課程爲講師指導的培訓（線上或線下），面向希望使用 Kubeflow 構建可靠機器學習工作流的初級到中級專業人士。

完成本培訓後，學員將掌握以下技能：

• 熟悉 Kubeflow 生態系統及其核心組件。
• 使用 Kubeflow Pipelines 構建可重複的工作流。
• 在 Kubernetes 上運行可擴展的訓練任務。
• 使用 Kubeflow Serving 高效部署機器學習模型。

課程形式

• 引導式演示與協作討論。
• 使用真實 Kubeflow 組件的實踐操作。
• 構建端到端機器學習工作流的實際練習。

課程定製選項

• 可根據團隊的技術棧和項目需求定製本培訓內容。

這種以講師為主導的澳門現場培訓（現場或遠端）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 個容器和 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、超參數調優併為工作負載提供服務。

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、可再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，以適應在專案上進行協作的多個使用者。
• 設置中央註冊表以試驗、複製和部署ML模型。

SRE（Site Reliability Engineering，站點可靠性工程）基礎課程介紹了使組織能夠可靠且經濟地擴展關鍵服務的原則與實踐。引入站點可靠性維度需要組織重新調整，重點關注工程與自動化，並採用一系列新的工作範式。