Kubeflow on AWS Képzés

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a felhőmérnököknek és fejlesztőknek szól, akik a CloudFormation segítségével kívánják kezelni az infrastrukturális erőforrásokat az AWS-ökoszisztémán belül.

A képzés végére a résztvevők képesek lesznek:

• Valósítson meg CloudFormation sablonokat az infrastruktúra-kezelés automatizálásához.
• Integrálja a meglévő AWS-erőforrásokat a CloudFormation-ba.
• A StackSets segítségével több fiókon és régión keresztül kezelheti a halmokat.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a haladó szintű mesterségesintelligencia-mérnököknek és adattudósoknak szól, akik közép-haladó tapasztalattal rendelkeznek, akik szeretnék javítani DeepSeek a modell teljesítményét, minimalizálni a késleltetést és bevezetni az AI-t. megoldásokat hatékonyan a modern MLOps gyakorlatot alkalmazva.

A képzés végére a résztvevők képesek lesznek:

• Optimalizálja az DeepSeek modelleket a hatékonyság, a pontosság és a méretezhetőség érdekében.
• Végezze el a MLOps és a modellverziók bevált gyakorlatait.
• Telepítsen DeepSeek modelleket a felhőben és a helyszíni infrastruktúrában.
• Az AI-megoldások hatékony nyomon követése, karbantartása és méretezése.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a fejlesztőknek szól, akik egy DynamoDB NoSQL adatbázist szeretnének integrálni egy AWS-en tárolt webalkalmazásba.

A képzés végére a résztvevők képesek lesznek:

• Állítsa be a szükséges fejlesztői környezetet az adatok DynamoDB-be való integrálásának megkezdéséhez.
• Integrálja a DynamoDB-t webes és mobilalkalmazásokba.
• Adatok áthelyezése AWS-ben az AWS-szolgáltatásokkal.
• Végezzen műveleteket az AWS DAX segítségével.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (helyszíni vagy távoli) azoknak a mérnököknek szól, akik IoT-eszközöket szeretnének telepíteni és kezelni az AWS-en.

A képzés végére a résztvevők képesek lesznek egy IoT-platformot felépíteni, amely magában foglalja a háttérrendszer, az átjáró és az eszközök telepítését és kezelését az AWS-n felül.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a fejlesztőknek szól, akik szeretnék telepíteni, konfigurálni és kezelni AWS IoT Greengrass képességeket, hogy alkalmazásokat hozzanak létre különféle eszközökhöz.

A képzés végére a résztvevők a AWS IoT Greengrass segítségével intelligens eszközökön alkalmazásokat építhetnek, telepíthetnek, kezelhetnek, biztosíthatnak és figyelhetnek.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (helyszíni vagy távoli) azoknak a fejlesztőknek szól, akik a AWS Lambda segítségével szeretnének szolgáltatásokat és alkalmazásokat felépíteni és telepíteni a felhőbe anélkül, hogy aggódniuk kellene a végrehajtási környezet (szerverek, Virtuális gépek és tárolók, elérhetőség, méretezhetőség, tárolás stb.).

A képzés végére a résztvevők képesek lesznek:

• Konfigurálja a AWS Lambda-t egy függvény végrehajtásához.
• Ismerje meg a FaaS-t (Functions as a Service) és a szerver nélküli fejlesztés előnyeit.
• Építs fel, tölts fel és hajts végre AWS Lambda függvényeket.
• Integrálja a lambda-funkciókat különböző eseményforrásokkal.
• Lambda alapú alkalmazások becsomagolása, üzembe helyezése, figyelése és hibaelhárítása.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a mérnököknek szól, akik szeretnék az AWS CloudFormation segítségével automatizálni az AWS felhőinfrastruktúra kezelési folyamatát.

A képzés végére a résztvevők képesek lesznek:

• Az infrastruktúra kezelésének megkezdéséhez engedélyezze az AWS-szolgáltatásokat.
• Értse és alkalmazza az „infrastruktúra mint kód” elvét.
• Javítsa a minőséget és csökkentse az infrastruktúra kiépítésének költségeit.
• Írjon AWS CloudFormation sablonokat YAML használatával.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) haladó szintű szakembereknek szól, akik szeretnék elmélyíteni a DevOps gyakorlatok megértését és az AWS Cloud9 segítségével egyszerűsíteni a fejlesztési folyamatokat.

A képzés végére a résztvevők képesek lesznek:

• Az AWS Cloud9 beállítása és konfigurálása DevOps munkafolyamatokhoz.
• Folyamatos integráció és folyamatos szállítás (CI/CD) csővezetékek megvalósítása.
• Automatizálja a tesztelési, megfigyelési és telepítési folyamatokat az AWS Cloud9 segítségével.
• Integrálja az AWS-szolgáltatásokat, mint például a Lambda, EC2 és S3 DevOps munkafolyamatokba.
• Használjon forrásvezérlő rendszereket, például GitHub vagy GitLab az AWS Cloud9-en belül.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) középszintű szakembereknek szól, akik szeretnék megtanulni, hogyan lehet hatékonyan építeni, telepíteni és karbantartani szerver nélküli alkalmazásokat az AWS Cloud9 és AWS Lambda rendszeren.

A képzés végére a résztvevők képesek lesznek:

• Ismerje meg a szerver nélküli architektúra alapjait.
• Állítsa be az AWS Cloud9-et a szerver nélküli alkalmazásfejlesztéshez.
• Szerver nélküli alkalmazások fejlesztése, tesztelése és üzembe helyezése a AWS Lambda használatával.
• Integrálja a AWS Lambda-t más AWS-szolgáltatásokkal, mint például az API Gateway és az S3.
• A kiszolgáló nélküli alkalmazások optimalizálása a teljesítmény és a költséghatékonyság érdekében.

Nyárias:

• Az IoT architektúra és funkcióinak alapjai
• „Dolgok”, „Szenzorok”, Internet és az IoT üzleti funkciói közötti leképezés
• Alapvető fontosságú az összes IoT szoftverkomponenshez – hardver, firmware, köztes szoftver, felhő és mobilalkalmazás
• IoT-funkciók – Flottakezelő, adatvizualizáció, SaaS alapú FM és DV, riasztás/riasztás, érzékelők beépítése, „dolog” beépítés, geo-kerítés
• Az IoT-eszközök felhővel történő kommunikációjának alapjai az MQTT-vel.
• IoT-eszközök csatlakoztatása az AWS-hez MQTT-vel (AWS IoT Core).
• A AWS IoT mag összekapcsolása AWS Lambda funkcióval a számításhoz és az adattároláshoz.
• A Raspberry PI összekapcsolása AWS IoT maggal és egyszerű adatkommunikációval.
• Figyelmeztetések és események
• Érzékelő kalibrálása

Összegzés:

• Az IoT architektúra és funkcióinak alapjai
• „Dolgok”, „Szenzorok”, Internet és az IoT üzleti funkciói közötti leképezés
• Alapvető fontosságú az összes IoT szoftverkomponenshez – hardver, firmware, köztes szoftver, felhő és mobilalkalmazás
• IoT funkciók – Flottakezelő, adatvizualizáció, SaaS alapú FM és DV, riasztás/riasztás, szenzorok beépítése, „dolgok” beépítése, geo-kerítés
• Az IoT-eszközök felhővel történő kommunikációjának alapjai az MQTT-vel.
• IoT-eszközök csatlakoztatása az AWS-hez MQTT-vel (AWS IoT Core).
• A AWS IoT mag összekapcsolása AWS Lambda funkcióval a számításhoz és az adattároláshoz a DynamoDB használatával.
• A Raspberry PI összekapcsolása AWS IoT maggal és egyszerű adatkommunikációval.
• Használja a Raspberry PI-t és a AWS IoT Core-t az okoseszköz elkészítéséhez.
• Szenzoradatok megjelenítése és kommunikáció webes felülettel.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a mérnököknek szól, akik Machine Learning munkaterhelést szeretnének telepíteni az Azure-felhőbe.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja a Kubernetes, a Kubeflow és más szükséges szoftvereket az Azure-ban.
• Az Azure Kubernetes Service (AKS) használatával egyszerűsítse a Kubernetes-fürt Azure-ban történő inicializálását.
• Hozzon létre és helyezzen üzembe egy Kubernetes-folyamatot az éles ML-modellek automatizálásához és kezeléséhez.
• Tanítson és telepítsen TensorFlow ML modellt több párhuzamosan futó GPU-n és gépen.
• Használjon más AWS által felügyelt szolgáltatásokat az ML-alkalmazások kiterjesztéséhez.

Ez az oktató által vezetett, élő (online vagy helyszíni) képzés azoknak az adattudósoknak szól, akik túl szeretnének menni az ML-modellek építésén, és optimalizálni szeretnék az ML-modell létrehozási, nyomon követési és telepítési folyamatát.

A képzés végére a résztvevők képesek lesznek:

• Telepítse és konfigurálja a MLflow-t és a kapcsolódó ML könyvtárakat és keretrendszereket.
• Értékelje az ML modell nyomon követhetőségének, reprodukálhatóságának és telepíthetőségének fontosságát
• Telepítsen ML modelleket különböző nyilvános felhőkre, platformokra vagy helyszíni kiszolgálókra.
• Méretezheti az ML-telepítési folyamatot, hogy több felhasználó is alkalmazkodjon egy projekten.
• Állítson be egy központi nyilvántartást az ML-modellek kísérletezéséhez, reprodukálásához és üzembe helyezéséhez.

Ez az oktató által vezetett, élő képzés a Magyarország-ban (online vagy helyszíni) azoknak a mérnököknek szól, akik szeretnék értékelni a ma rendelkezésre álló megközelítéseket és eszközöket, hogy intelligens döntést hozzanak a MLOps bevezetése felé vezető úton a szervezetükön belül.

A képzés végére a résztvevők képesek lesznek:

• Különféle MLOps keretrendszerek és eszközök telepítése és konfigurálása.
• Állítsa össze a megfelelő csapatot a megfelelő készségekkel egy MLOps rendszer felépítéséhez és támogatásához.
• Adatok előkészítése, érvényesítése és verziószáma az ML modellek számára.
• Ismerje meg az ML Pipeline összetevőit és a felépítéséhez szükséges eszközöket.
• Kísérletezzen különböző gépi tanulási keretrendszerekkel és szerverekkel az éles üzembe helyezéshez.
• Operacionalizálja a teljes Machine Learning folyamatot, hogy reprodukálható és karbantartható legyen.

Ez az oktató által vezetett, élő (online vagy helyszíni) képzés azoknak a gépi tanulással foglalkozó mérnököknek szól, akik a Azure Machine Learning és Azure DevOps segítségével szeretnék megkönnyíteni a MLOps gyakorlatokat.

A képzés végére a résztvevők képesek lesznek:

• Készítsen reprodukálható munkafolyamatokat és gépi tanulási modelleket.
• Kezelje a gépi tanulási életciklust.
• Kövesse nyomon és jelentse a modell verzióelőzményeit, eszközöket és egyebeket.
• Telepítse a termelésre kész gépi tanulási modelleket bárhol.