Azure CLI: Getting Started培訓

此講師指導的 台灣（在線或現場）實時培訓面向希望學習如何在 Microsoft Azure Service Fabric （ASF） 上構建微服務的開發人員。

在培訓結束時，參與者將能夠：

• 使用 ASF 作為構建和管理微服務的平臺。
• 了解關鍵的微服務程式設計概念和模型。
• 在 Azure 中創建集群。
• 在本地或雲中部署微服務。
• 對即時微服務應用程式進行調試和故障排除。

這種由講師指導的台灣現場培訓（現場或遠端）面向希望使用Azure ML的拖放平臺部署Machine Learning工作負載的工程師，而無需購買軟體和硬體，也不必擔心維護和部署。

在培訓結束時，參與者將能夠：

• 使用 Python、R 或零代碼工具編寫高度準確的機器學習模型。
• 利用 Azure 的可用資料集和演算法來訓練和跟蹤機器學習和深度學習模型。
• 使用 Azure 互動式工作區協作開發 ML 模型。
• 從 Azure 支援的不同 ML 框架中進行選擇，例如 PyTorch、TensorFlow 和 scikit-learn。

Microsoft Azure 基礎結構和部署

此培訓允許代表們提高其Microsoft Azure解決方案設計技能。在此培訓之後，代表將了解Azure服務的特性和功能，以便能夠識別權衡，並為設計公共雲和混合雲解決方案做出決策。在培訓期間，將定義適當的基礎架構和平台解決方案，以滿足解決方案生命週期所需的功能，操作和部署要求。

這種以講師為主導的台灣現場（現場或遠端）的現場培訓面向 DevOps 希望利用 Azure DevOps 比傳統開發方法更快地構建和部署優化的企業應用程式的工程師、開發人員和項目經理。

在培訓結束時，參與者將能夠：

• 瞭解基本的 DevOps 詞彙和原則。
• 安裝和配置軟體開發所需的 Azure DevOps 工具。
• 利用 Azure DevOps 工具和服務不斷適應市場。
• 在 Azure DevOps 解決方案上構建企業應用程式並評估當前的開發流程。
• 更高效地管理團隊並縮短軟體部署時間。
• 在組織內採用 DevOps 開發實踐。

這種由講師指導的台灣現場現場培訓針對的是希望使用Azure Machine Learning構建用於預測分析的端到端機器學習模型的數據科學家。

在培訓結束時，參與者將能夠：

• 使用零程式設計經驗構建機器學習模型。
• 使用 Azure Machine Learning 建立預測演算法。
• 部署生產就緒的機器學習演算法。

這種由講師指導的台灣現場（現場或遠端）現場培訓面向希望保護Azure工作負載的安全管理員。

在培訓結束時，參與者將能夠：

• 管理主機安全、網路安全等。
• 在 Azure 中設置存儲和資料庫安全性。
• 使用 Azure 資源實施安全監視。
• 防止對數據和基礎設施的惡意網路攻擊。

這種以講師為主導的台灣現場現場培訓面向希望學習如何配置Azure雲安全以保護在Azure中運行的工作負載的安全管理員。

在培訓結束時，參與者將能夠：

• 配置主機和網路安全。
• 配置 Azure 高級安全選項。
• 使用 Azure 保護雲計算工作負載。
• 使用端點保護服務安全功能，抵禦惡意軟體和病毒。
• 保護在 Azure 中運行的容器工作負載。

Azure Bot服務結合了Microsoft Bot Framework和Azure功能的強大功能，可實現智能機器人的快速開發。

在這個由講師指導的實時培訓中，參與者將學習如何使用Microsoft Azure輕鬆創建智能機器人

在培訓結束時，參與者將能夠：

• 了解智能機器人的基礎知識
• 了解如何使用雲應用程序創建智能機器人
• 了解如何使用Microsoft Bot Framework，Bot Builder SDK和Azure Bot服務
• 了解如何使用bot模式設計機器人
• 使用Microsoft Azure開發他們的第一個智能機器人

聽眾

• 開發商
• 愛好者
• 工程師
• IT專業人士

課程形式

• 部分講座，部分討論，練習和繁重的實踐練習

這種由講師指導的 台灣（遠端或遠端）實時培訓面向希望瞭解如何使用 Azure Data Lake Storage Gen2 實現有效數據分析解決方案的中級數據工程師。

在培訓結束時，參與者將能夠：

• 瞭解 Azure Data Lake Storage Gen2 的體系結構和主要功能。
• 優化數據存儲和訪問，提高成本和性能。
• 將 Azure Data Lake Storage Gen2 與其他 Azure 服務集成，以進行分析和數據處理。
• 使用 Azure Data Lake Storage Gen2 API 開發解決方案。
• 解決常見問題並優化存儲策略。

在這個由講師指導的台灣（現場或遠端）現場培訓中，參與者將 學習 Microsoft Azure的基本概念，元件和服務，因為他們逐步創建了示例雲應用程式。

在培訓結束時，參與者將能夠：

• 瞭解 Microsoft Azure 的基礎知識
• 瞭解不同的 Azure 工具和服務
• 瞭解如何使用 Azure 構建雲應用程式

Internet of Things (IoT)是一種網絡基礎設施，可以無線連接物理對象和軟件應用程序，允許它們相互通信並通過網絡通信，雲計算和數據捕獲交換數據。 Azure是一套全面的雲服務，提供物聯網套件，包括預先配置的解決方案，可幫助開發人員加速物聯網項目的開發。

在這個由講師指導的實時培訓中，參與者將學習如何使用Azure開發物聯網應用程序。

在培訓結束時，參與者將能夠：

• 了解物聯網架構的基礎知識
• 安裝和配置Azure IoT Suite
• 了解在編程物聯網系統中使用Azure的好處
• 實施各種Azure IoT服務（IoT Hub，功能，流分析， Power BI ，Cosmos DB，DocumentDB，IoT設備Management ）
• 使用Azure構建，測試，部署和排除物聯網系統故障

聽眾

• 開發商
• 工程師

課程形式

• 部分講座，部分討論，練習和繁重的實踐練習

注意

• 要申請本課程的定制培訓，請聯繫我們安排。

這種由講師指導的台灣現場培訓（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。

Azure Kubernetes Service (AKS) is a hosted Kubernetes service that simplifies the deployment and management of a Kubernetes cluster in Azure. 

In this instructor-led, live training (online or onsite), participants will learn how to set up and manage a production-scale container environment using Kubernetes on AKS. 

By the end of this training, participants will be able to:

• Configure and manage Kubernetes on AKS.
• Deploy, manage and scale a Kubernetes cluster.
• Deploy containerized (Docker) applications on Azure.
• Migrate an existing Kubernetes environment from on-premise to AKS cloud.
• Integrate Kubernetes with third-party continuous integration (CI) software.
• Ensure high availability and disaster recovery in Kubernetes.

Format of the Course

• Interactive lecture and discussion.
• Lots of exercises and practice.
• Hands-on implementation in a live-lab environment.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

這種以講師為主導的現場培訓（現場或遠端）面向希望使用Azure機器學習和Azure DevOps來促進MLOps實踐的機器學習工程師。

在培訓結束時，參與者將能夠：

• 構建可重現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記錄、資產等。
• 隨時隨地部署生產就緒型機器學習模型。