Kubeflow on AWS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台灣（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。

這種以講師為主導的 台灣（現場或遠端）現場培訓 面向希望在AWS上部署和管理物聯網設備的工程師。

在本次培訓結束時，參與者將能夠構建一個物聯網平臺，其中包括在 AWS 之上部署和管理後端、網關和設備。

這種以講師為主導的台灣現場培訓（現場或遠端）針對希望安裝，配置和管理AWS IoT Greengrass功能以創建各種設備的應用程式的開發人員。

在本次培訓結束時，參與者將能夠使用 AWS IoT Greengrass 在智慧設備上構建、部署、管理、保護和監控應用程式。

這種由 講師指導的 台灣 現場（現場或遠端）實時培訓 面向希望使用 AWS Lambda 構建服務和應用程式並將其部署到雲中的開發人員，而無需擔心配置執行環境（伺服器、VM 和容器、可用性、可擴充性、存儲等）。

在本次培訓結束時，參與者將能夠：

• 配置 AWS Lambda 以執行函數。
• 瞭解 FaaS （Functions as a Service） 和無伺服器開發的優勢。
• 構建、上傳和執行 AWS Lambda 函數。
• 將 Lambda 函數與不同的事件源集成。
• 打包、部署、監控基於 Lambda 的應用程式並對其進行故障排除。

這項由 講師指導的現場培訓台灣（在線或現場）面向希望加深對 DevOps 實踐的理解並使用 AWS Cloud9 簡化開發流程的高級專業人員。

在本次培訓結束時，參與者將能夠：

• 為 DevOps 個工作流設置和配置 AWS Cloud9。
• 實施持續集成和持續交付 （CI/CD） 管道。
• 使用 AWS Cloud9 自動執行測試、監控和部署流程。
• 將 Lambda、EC2 和 S3 等 AWS 服務整合到 DevOps 工作流中。
• 在 AWS Cloud9 中使用原始程式碼控制系統，如 GitHub 或 GitLab。

Docker是一個容器化平臺，用於爲ML系統構建可重複、可移植和可擴展的環境。

本課程爲講師指導的培訓（線上或線下），面向希望使用Docker容器化並操作完整ML管道的中級到高級技術專業人員。

培訓結束後，學員將能夠：

• 容器化ML訓練、驗證和推理工作負載。
• 使用Docker和支持工具設計和編排端到端ML管道。
• 爲ML組件實現版本控制、可重複性和CI/CD。
• 在容器化環境中部署、監控和擴展ML服務。

課程形式

• 互動講座，輔以實際演示。
• 專注於構建真實ML管道組件的實踐練習。
• 端到端容器化工作流程的即時實驗。

課程定製選項

• 如需根據特定ML基礎設施需求定製培訓，請聯繫我們討論選項。

這種以講師指導的現場培訓<本地>（在線或現場）面向希望學習如何在AWS Cloud9 和 AWS Lambda 上有效構建、部署和維護無伺服器應用程式的中級專業人員。

在本次培訓結束時，參與者將能夠：

• 瞭解無伺服器架構的基礎知識。
• 設置 AWS Cloud9 以進行無伺服器應用程式開發。
• 使用 AWS Lambda 開發、測試和部署無伺服器應用程式。
• 與其他 AWS 服務（如 API Gateway 和 S3）集成。
• 優化無伺服器應用程式以提高性能和成本效率。

總結：

• 物聯網架構和功能的基礎知識
• “物”、“感測器”、互聯網和物聯網業務功能之間的映射
• 所有物聯網軟體元件的基本要素 - 硬體、韌體、中間件、雲端和行動應用程式
• 物聯網功能 - 車隊管理器、數據可視化、基於 SaaS 的 FM 和 DV、警報/警報、感測器入職、“事物”入職、地理圍欄
• 使用 MQTT 與雲端進行物聯網設備通信的基礎知識。
• 使用 MQTT （AWS IoT Core） 將 IoT 設備連接到 AWS。
• 將 AWS IoT 內核與 AWS Lambda 功能連接，用於計算和數據存儲。
• 連接具有 AWS IoT 核心和簡單數據通信的Raspberry PI。
• 警報和事件
• 感測器校準

總結：

• 物聯網架構和功能的基礎知識
• “物”、“感測器”、互聯網和物聯網業務功能之間的映射
• 所有物聯網軟體元件的基本要素 - 硬體、韌體、中間件、雲端和行動應用程式
• 物聯網功能 - 車隊管理器、數據可視化、基於 SaaS 的 FM 和 DV、警報/警報、感測器入職、“事物”入職、地理圍欄
• 使用 MQTT 與雲端進行物聯網設備通信的基礎知識。
• 使用 MQTT （AWS IoT Core） 將 IoT 設備連接到 AWS。
• 將 AWS IoT 核心與 AWS Lambda 函數連接，以使用 DynamoDB 進行計算和數據存儲。
• 連接具有 AWS IoT 核心和簡單數據通信的Raspberry PI。
• 動手使用Raspberry PI和 AWS IoT Core 構建智慧設備。
• 感測器數據可視化和與網路介面的通信。

這種以講師為主導的台灣現場培訓（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。

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。

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台灣（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。

MLOps on Kubernetes 是一個框架，用於通過容器化流水線和GitOps工作流自動化機器學習的訓練、驗證、打包和部署。

本課程由講師指導，提供線上或線下培訓，面向希望構建自動化、可擴展的MLOps流水線的中級從業者。

完成本培訓後，學員將能夠：

• 設計端到端的機器學習CI/CD流水線。
• 實現用於模型部署和版本控制的GitOps工作流。
• 自動化機器學習模型的訓練、測試和打包。
• 集成監控、告警和回滾策略。

課程形式

• 講師引導的演講和技術深入探討。
• 實踐練習，構建真實的CI/CD工作流。
• 即時實驗室練習，部署機器學習工作負載到Kubernetes。

課程定製選項

• 組織可以請求與內部MLOps工具和基礎設施相匹配的定製內容。