Kubernetes上的MLOps：機器學習的CI/CD管道培訓

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。

Kubernetes是一個容器編排平台，廣泛用於管理大規模分佈式應用。

本培訓由講師親自指導，可線上或線下進行，旨在幫助高級從業者將AI和機器學習技術應用於優化Kubernetes的資源使用、調度決策和自動擴展策略。

完成該課程後，學員將能夠：

• 應用AI/ML模型改善Kubernetes的工作負載調度決策。
• 使用預測分析優化CPU、GPU和內存分配。
• 實施基於強化學習和指標預測的智能自動擴展。
• 通過自動化資源優化降低基礎設施成本和延遲。

課程格式

• 講師指導的技術演示與深度討論。
• 使用真實Kubernetes集群進行實操實驗。
• 實踐練習，將AI模型應用於真實運營場景。

課程自定義選項

• 如需根據您的平台設置或運營需求調整本課程，請聯繫我們以獲取自定義服務。

認證肯尼伯尼斯管理員 (CKA) 計畫由 Linux 基金會和雲原生計算基金會 (CNCF) 創立。

如今，肯尼伯尼斯已是容器編排領域的首選平台。

NobleProg 自 2015 年起提供 Docker 及肯尼伯尼斯培訓。凭借超過 360 個成功的培訓項目，我們已成為全球該領域最具知名度的培訓公司之一。

自 2019 年以來，我們也幫助客戶通過準備和鼓勵他們通過 CKA 和 CKAD 考試，來確認其在肯尼伯尼斯環境中的表現。

本課程由導師主導的現場或線上實時培訓，旨在幫助系統管理員及肯尼伯尼斯使用者透過通過 CKA 考試來確認其知識。

另一方面，該培訓也側重於獲得肯尼伯尼斯管理方面的實踐經驗，因此我們建議即使您不打算參加 CKA 考試，也應參與此課程。

課程形式

• 互動式講解與討論。
• 大量練習和實作。
• 在實時實驗環境中進行實踐操作。

課程定制選項

• 如需為本課程請求定制培訓，請聯繫我們安排。
• 要了解更多關於 CKA 認證的信息，請訪問：https://training.linuxfoundation.org/certification/certified-kubernetes-administrator-cka

認證的Kubernetes應用程式開發者 (CKAD) 計畫是由Linux基金會以及雲原生計算基金會 (CNCF, Kubernetes的主辦單位) 所制定。 

這項由講師主導的培訓課程可選擇線上或線下進行。旨在協助希望證明自身設計、建置、配置和公開雲端原生應用程式於Kubernetes平台上運行能力的開發人員提升技能。

同時，本次培訓也著重於獲得有關Kubernetes應用開發的實務經驗，因此我們強烈建議您參與，即使您目前並無參加CKAD考試之意願。

NobleProg 自2015年起致力於提供Docker及Kubernetes相關培訓課程。憑藉超過360個成功完成的培訓專案，我們在容器化領域躋身全球最具知名度的培訓公司之列。自2019年起，我們亦協助客戶通過CKAD與CKA考試以證明其在k8s環境中的表現。 

課程格式

• 互動式講授和討論。
• 大量的練習和操作實作。
• 在即時實驗室環境中的手動實作環節。

課程客製化選項

• 如需此課程的客製化培訓，請與我們聯繫安排。
• 欲了解更多關於CKAD資訊，請瀏覽：

此由導師主導的 live 培訓在 澳門（線上或線下）進行，旨在幫助希望為 CKS 考試做準備的 Kubernetes 從業人員。

完成本課程後，參與者將了解如何在應用程式生命週期的各個階段（構建、部署和運行時）保護 Kubernetes 環境和基於容器的應用程式。

這個為期七天的課程提供了一個全面且實操性強的旅程，旨在學習如何使用現代 DevOps 實踐來設計、部署和運營雲原生應用程序。

參與者將探索如何設計可擴展的微服務架構，優化容器環境，並使用 Kubernetes 管理生產工作負載。課程涵蓋高級部署策略、基於 GitOps 的自動化以及可觀測性實踐，以確保系統可靠性和性能。

課程重點關注實際運營挑戰，包括事件響應、故障模擬和根本原因分析。該計劃的最後部分將展示如何利用 AI 驅動的工具有效支持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、監控和維護韌性分佈式系統。

在專為開發人員、DevOps 工程師及 IT 專業人士設計的實用實作培訓中，學習容器、Kubernetes 和 OpenShift 的基本原理。學員將學習如何建立容器化應用程式、部署工作負載、管理 Kubernetes 資源，並使用 OpenShift 簡化雲端和混合環境中的現代應用程式交付。

Docker是一個容器化平台，用於為 ML 系統建構可重現、便攜且具擴展性的環境。

這項由講師主導的培訓課程（線上或線下），針對希望使用 Docker 將完整的 ML 管線容器化並投入運作的中階至高階技術專業人員。

完成本培訓後，學員能夠：

• 將 ML 訓練、驗證和推論負載容器化。
• 設計並編排使用 Docker 及支援工具的端到端 ML 管線。
• 為 ML 元件實施版本控制、可重現性及 CI/CD（持續整合與持續部署）。
• 在容器化環境中部署、監控及擴展 ML 服務。

課程形式

• 透過實作示範支援的互動式講授。
• 著重在建構真實 ML 管線元件的動手實作練習。
• 針對端到端容器化工作流程進行實時實驗室演練。

課程客製化選項

• 如需與特定 ML 基礎架構需求相符的客製化培訓，請聯絡我們討論相關選項。

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。

Kubeflow 是一個開放原始碼平台，旨在簡化在 Kubernetes 上建置、訓練及部署機器學習工作負載的過程。

此為由講師引導的實地培訓（線上或線下），針對希望使用 Kubeflow 建立可靠 ML 工作流的初級至中級專業人士設計。

完成本培訓後，學員將獲得以下技能：

• 瀏覽 Kubeflow 生態系統與核心組件。
• 利用 Kubeflow Pipelines 建立可重現的工作流。
• 在 Kubernetes 上運行具擴展性的訓練任務。
• 使用 Kubeflow Serving 高效部署機器學習模型。

課程格式

• 指導式簡報與協作討論。
• 結合真實 Kubeflow 組件的手實操作練習。
• 實際演練，用於建立端到端 ML 工作流。

課程客製化選項

• 可安排此培訓的客製化版本，以符合您團隊的技術棧與專案需求。

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。