MLOps on Kubernetes：機器學習CI/CD流水線培訓

此针对具有中级至高级经验的高级人工智能工程师和数据科学家的澳門（在线或现场）培训课程旨在通过现代MLOps实践有效地提高DeepSeek模型性能、降低延迟和部署人工智能解决方案。

培训结束时，参与者将能够：

• 优化效率、准确性和可伸缩性的DeepSeek模型。
• 实施MLOps和模型版本控制的最佳实践。
• 在云端和本地基础设施上部署DeepSeek模型。
• 有效监控、维护和扩展人工智能解决方案。

DO180課程介紹了容器、Kubernetes基礎以及Red Hat OpenShift平臺概念，重點關注實踐技能。

本課程由講師指導，提供線上或線下培訓，面向初級到中級技術專業人員，旨在幫助學員學習容器工作流、Kubernetes基本概念，以及在OpenShift上部署和操作應用程序。

培訓結束後，學員將能夠：

• 構建和管理容器鏡像及鏡像倉庫，遵循可重複性和安全性的最佳實踐。
• 在OpenShift中部署和管理Kubernetes對象，如pods、deployments和services。
• 使用OpenShift的功能，包括routes、buildconfigs和Web控制檯，以簡化應用程序交付。
• 爲有狀態工作負載實現持久存儲、配置管理和密鑰處理。
• 應用基本安全、RBAC和監控實踐，以維護健康的集羣和應用程序。

課程形式

• 互動式講座與討論。
• 每天在即時OpenShift環境中進行動手實驗。
• 場景驅動的練習和故障排除研討會。

課程定製選項

• 如需爲本課程定製培訓，請聯繫我們安排。

本課程爲講師指導的澳門線下或線上培訓，旨在幫助工程師使用Helm簡化Kubernetes應用的安裝和管理流程。

培訓結束後，學員將能夠：

• 安裝和配置Helm。
• 創建可復現的Kubernetes應用構建。
• 將應用共享爲Helm圖表。
• 運行保存爲Helm圖表的第三方應用。
• 管理Helm包的發佈。

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 澳門（在線或現場）現場培訓面向希望學習如何使用 Minikube 設置和管理本地 Kubernetes 環境的初級到中級軟體開發人員和 DevOps 專業人士。

在培訓結束時，參與者將能夠：

• 在本地電腦上安裝和配置 Minikube。
• 瞭解 Kubernetes 的基本概念和架構。
• 使用 kubectl 和 Minikube 儀錶板部署和管理容器。
• 為Kubernetes 設置持久性存儲和網路解決方案。
• 利用 Minikube 開發、測試和調試應用程式。

這種以講師為主導的澳門（在線或現場）現場培訓面向希望將Minikube作為其開發工作流程一部分的中級開發人員和 DevOps 工程師。

在培訓結束時，參與者將能夠：

• 使用 Minikube 設置和管理本地 Kubernetes 環境。
• 瞭解如何在Minikube上部署、管理和調試應用程式。
• 將 Minikube 整合到其持續整合和部署管道中。
• 使用 Minikube 的高級功能優化他們的開發流程。
• 將最佳實踐應用於本地 Kubernetes 開發。

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。

本次由講師指導的培訓在澳門（線上或線下）面向希望評估現有方法和工具的工程師，以便在組織內採用MLOps時做出明智的決策。

通過本培訓，參與者將能夠：

• 安裝和配置各種MLOps框架和工具。
• 組建具有正確技能的團隊，以構建和支持MLOps系統。
• 準備、驗證和版本化數據以供ML模型使用。
• 瞭解ML管道的組件及構建所需的工具。
• 實驗不同的機器學習框架和服務器，以部署到生產環境。
• 操作化整個機器學習過程，使其可重現和可維護。

本課程爲講師指導的線下或線上培訓，面向希望使用Azure Machine Learning和Azure DevOps來推動MLOps實踐的機器學習工程師。

通過本培訓，參與者將能夠：

• 構建可重複的工作流和機器學習模型。
• 管理機器學習生命週期。
• 跟蹤和報告模型版本歷史、資產等。
• 在任何地方部署生產就緒的機器學習模型。