Kubeflow on IBM Cloud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現場培訓面向希望將Machine Learning工作負載部署到AWS EC2伺服器的工程師。

在培訓結束時，參與者將能夠：

• 在 AWS 上安裝和配置 Kubernetes、Kubeflow 和其他需要的軟體。
• 使用 EKS（Elastic Kubernetes Service）簡化在 AWS 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 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。

這種以講師為主導的現場培訓（現場或遠端）面向希望將機器學習工作負載部署到 OpenShift 本地或混合雲的工程師。

• 在培訓結束時，參與者將能夠：
• 在 OpenShift 集群上安裝和配置 Kubernetes 和 Kubeflow。
• 使用 OpenShift 簡化初始化 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。
• 從 OpenShift 中調用公有雲端服務（例如 AWS 服務）以擴展 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：

• 在本地和雲端安裝和配置 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。