Kubernetes 上的 MLOps：機器學習 CI/CD 管線培訓

此培訓由導師主導, 於 澳門（線上或線下）以 live training 形式進行, 針對具有中到高級經驗、希望透過現代 MLOps實踐提升 DeepSeek模型性能、減少延遲並高效部署 AI解決方案的進階級 AI工程師和數據科學家。

完成本培訓後, 學員將能夠：

• 優化 DeepSeek模型以提升效率、準確性及擴展性。
• 實作 MLOps 及模型版本控制的最佳實踐。
• 在雲端和本地基礎設施上部署 DeepSeek模型。
• 有效監控、維護和擴展 AI解決方案。

此課程由講師主講，在 澳門 提供線上或線下現場培訓（Live），對象為希望掌握使用微服務和 Kubernetes 擴展應用程式技術的高階平台工程師與 DevOps 專業人員。

完成本培訓後，學員將能夠：

• 設計並實現可擴展的微服務架構。
• 在 Kubernetes 叢集上部署和管理應用程式。
• 運用 Helm 圖表進行高效的服務部署。
• 監控並維持生產環境中微服務的運作狀態。
• 在 Kubernetes 環境中實施安全與合規的最佳實踐。

本課程為講師授課的即時培訓 澳門（線上或現場），旨在協助 Kubernetes 實務人員準備 CKS 考試。

完成本培訓後，參與者將了解如何在應用程式生命週期的不同階段（建置、部署及執行期間），保護 Kubernetes 環境及基於容器的應用程式。

此為期 7 天的課程提供全面性的實作旅程，學習如何使用現代 DevOps 實踐來設計、部署和運營雲端原生應用程式。

參與者將探索如何設計可擴展的微服務架構，最佳化容器環境，並使用 Kubernetes 管理生產工作負載。課程涵蓋進階部署策略、基於 GitOps 的自動化以及可觀測性實踐，以確保系統的可靠性與效能。

重點放在真實世界的運營挑戰上，包括事件回應、故障模擬和根本原因分析。此課程最後部分將使用 AI 驅動的工具來支援故障排除並加速運營決策。

培訓結束後，參與者將清楚了解如何在基於 Kubernetes 的環境中構建、部署、監控和維護具韌性的分散式系統。

這門在 澳門（線上或線下）進行的由講師親自授課的實時培訓旨在幫助希望利用 Helm 簡化 Kubernetes 應用程序的安裝和管理流程的工程師。

完成此培訓後，參與者將能夠：

• 安裝和配置 Helm。
• 創建可重複的 Kubernetes 應用程序構建。
• 以 Helm charts 形式共享應用程序。
• 運行保存為 Helm charts 的第三方應用程序。
• 管理 Helm 包版本的發布。

這門由講師指導的課程在 澳門 進行（線上或線下），面向希望構建、部署和管理Kubernetes上機器學習工作流程的開發人員及數據科學家。

課程結束後，學員將能夠：

• 在本地環境和雲端安裝並配置Kubeflow。
• 基於Docker容器和Kubernetes構建、部署及管理機器學習工作流程。
• 在多種架構和雲端環境中運行完整的機器學習管線。
• 使用Kubeflow生成並管理Jupyter筆記本。
• 跨多個平台構建機器學習訓練、超參數調優及服務部署工作負載。

這項在 澳門（線上或線下）舉辦的講師指導實地培訓，主要針對初級至中級的軟體開發者及 DevOps 專業人員，協助大家學習如何設定及管理使用 Minikube 的本機 Kubernetes 環境。

完成此培訓後，參與者將能夠：

• 在個人電腦上安裝並配置 Minikube。
• 理解 Kubernetes 的基本概念與架構。
• 透過 kubectl 與 Minikube 儀表板部署及管理容器。
• 為 Kubernetes 設定持久性儲存與網路解決方案。
• 運用 Minikube 開發、測試及除錯應用程式。

此 澳門（線上或線下）由講師帶領的實訓課程，面向希望將 Minikube 納入其開發工作流的初級至中級開發者和 DevOps 工程師。

完成本課程後，參與者將能夠：

• 使用 Minikube 搭建和管理本地 Kubernetes 環境。
• 了解如何在 Minikube 上部署、管理和調試應用程序。
• 將 Minikube 集成到持續集成和持續部署流水線中。
• 利用 Minikube 的高級功能優化開發流程。
• 應用本地 Kubernetes 開發的最佳實踐。

此種由導師主導的現場培訓在 澳門（線上或線下）進行，旨在幫助工程師評估當前可用的方法與工具，從而做出明智決策，確定在其組織內推行 MLOps 的最佳路徑。

完成本課程後，學員將能夠：

• 安裝並配置各種 MLOps 框架和工具。
• 組建具備適當技能的團隊，以構建和支持 MLOps 系統。
• 準備、驗證數據並管理版本，供 ML 模型使用。
• 了解 ML 流程的組成部分及構建所需工具。
• 嘗試不同的機器學習框架和服務器，以進行生產部署。
• 實現整個機器學習流程的運營化，使其具備可複製性和可維護性。