Kubeflow on AWS培訓

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、可重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，以適應多個使用者在一個專案上進行協作。
• 設置中央註冊表以試驗、複製和部署ML模型。

這種以講師為主導的台灣現場現場培訓面向希望將 DynamoDB NoSQL資料庫集成到AWS上託管的Web應用程式中的開發人員。

在培訓結束時，參與者將能夠：

• 設置必要的開發環境以開始將數據集成到 DynamoDB 中。
• 將 DynamoDB 整合到 Web 應用程式和行動應用程式中。
• 使用 AWS 服務在 AWS 中行動資料。
• 使用 AWS DAX 實施 操作。

這種由講師指導的台灣現場現場培訓面向希望使用AWS CloudFormation自動管理AWS雲基礎設施過程的工程師。

在培訓結束時，參與者將能夠：

• 啟用 AWS 服務以開始管理基礎設施。
• 理解並應用“基礎設施即代碼”的原則。
• 提高品質並降低部署基礎架構的成本。
• 使用 YAML 編寫 AWS CloudFormation 樣本。

這種以講師為主導的台灣現場現場培訓面向希望使用CloudFormation管理AWS生態系統中的基礎設施資源的雲工程師和開發人員。

在培訓結束時，參與者將能夠：

• 實施 CloudFormation 範本以自動執行基礎架構管理。
• 將現有 AWS 資源整合到 CloudFormation 中。
• 使用 StackSets 跨多個帳戶和區域管理堆疊。

這種由講師指導的 台灣（現場或遠端）現場培訓 面向希望在AWS上部署和管理IoT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 上部署和管理後端、網關和設備。

Summery:

• Basics of IoT architecture and functions
• “Things”, “Sensors”, Internet and the mapping between business functions of IoT
• Essential of all IoT software components- hardware, firmware, middleware, cloud and mobile app
• IoT functions- Fleet manager, Data visualization, SaaS based FM and DV, alert/alarm, sensor onboarding, “thing” onboarding, geo-fencing
• Basics of IoT device communication with cloud with MQTT.
• Connecting IoT devices to AWS with MQTT (AWS IoT Core).
• Connecting AWS IoT core with AWS Lambda function for computation and data storage.
• Connecting Raspberry PI with AWS IoT core and simple data communication.
• Alerts and events
• Sensor calibration

Summary:

• Basics of IoT architecture and functions
• “Things”, “Sensors”, Internet and the mapping between business functions of IoT
• Essential of all IoT software components- hardware, firmware, middleware, cloud and mobile app
• IoT functions- Fleet manager, Data visualization, SaaS based FM and DV, alert/alarm, sensor onboarding, “thing” onboarding, geo-fencing
• Basics of IoT device communication with cloud with MQTT.
• Connecting IoT devices to AWS with MQTT (AWS IoT Core).
• Connecting AWS IoT core with AWS Lambda function for computation and data storage using DynamoDB.
• Connecting Raspberry PI with AWS IoT core and simple data communication.
• Hands on with Raspberry PI and AWS IoT Core to build a smart device.
• Sensor data visualization and communication with web interface.

這種以講師為主導的台灣現場現場培訓面向希望安裝，配置和管理AWS IoT Greengrass功能以為各種設備創建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。

這種以講師為主導的台灣現場或遠端培訓 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）。

在培訓結束時，參與者將能夠：

• 配置 AWS Lambda 以執行函數。
• 瞭解 FaaS（函數即服務）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。
• 對基於 Lambda 的應用程式進行打包、部署、監控和故障排除。

這種以講師為主導的台灣現場現場培訓面向希望將AWS Lambda應用程式和服務與其他服務（API Gateway，Kinesis Streams等）集成的開發人員。該培訓演示了如何使用基於瀏覽器的 AWS Cloud9 IDE 進行協作開發軟體。 

在培訓結束時，參與者將能夠：

• 使用 AWS Cloud9 IDE 協作開發功能、應用程式和服務。
• 將 AWS Lambda 函數與其他 AWS 服務整合。
• 創建和管理 API。
• 設置 AWS Lambda 函數以讀取和處理即時流數據。
• 創建和管理持續整合管道，用於構建、測試和部署 AWS Lambda 功能和應用程式。

這種以講師為主導的台灣現場培訓（現場或遠端）針對的是希望評估當今可用的方法和工具的工程師，以便在其組織內採用MLOps的前進道路上做出明智的決定。

在培訓結束時，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正確團隊，以構建和支援 MLOps 系統。
• 準備、驗證數據並對其進行版本控制，以供 ML 模型使用。
• 瞭解 ML 管道的元件以及構建管道所需的工具。
• 嘗試使用不同的機器學習框架和伺服器部署到生產環境。
• 操作整個機器學習過程，使其可重現和維護。

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Google雲平臺（GCP）的工程師。

在培訓結束時，參與者將能夠：

• 在 GCP 和 GKE 上安裝和配置 Kubernetes、Kubeflow 和其他需要的軟體。
• 使用 GKE（Kubernetes Kubernetes Engine）簡化在 GCP 上初始化 Kubernetes 集群的工作。
• 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 GPU 和並行運行的機器上訓練和部署 TensorFlow ML 模型。
• 利用其他 GCP 服務來擴展 ML 應用程式。

這種由講師指導的台灣現場（現場或遠端）現場培訓面向希望將Machine Learning工作負載部署到IBM Cloud Kubernetes Service（IKS）的工程師。

在培訓結束時，參與者將能夠：

• 在 IBM Cloud Kubernetes Service （IKS） 上安裝和配置 Kubernetes、Kubeflow 和其他所需的軟體。
• 使用 IKS 簡化在 IBM Cloud 上初始化 Kubernetes 集群的工作。
• 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 IBM Cloud 服務來擴展 ML 應用程式。

這種以講師為主導的台灣現場現場培訓面向希望在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（Elastic Kubernetes Service）在本地和雲中安裝和配置 Kubeflow。
• 基於 Docker 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、超參數調優和服務工作負載。