Des cours de formation MLOps en direct, en ligne ou sur site, animés par un instructeur, démontrent, par le biais de pratiques pratiques interactives, comment utiliser les outils MLOps pour automatiser et optimiser le déploiement et la maintenance des systèmes ML en production. La formation MLOps est disponible en tant que "formation en direct en ligne" ou "formation en direct sur site". La formation en direct en ligne (alias « formation en direct à distance ») est effectuée au moyen d'un ordinateur de bureau interactif à distance . La formation en direct sur site peut être effectuée localement dans les locaux du client en Alberta ou dans les centres de formation d'entreprise NobleProg en Alberta. NobleProg - Votre fournisseur de formation local
Macleod Place II
5940 Macleod Trail SW, Calgary, Canada, T2H2H4
First Edmonton Place
10665 Jasper Avenue, Edmonton, Canada, T5J 3S9
Le bâtiment est situé sur un carrefour central du transport en commun. Notre coin nord-ouest est à quelques pas de la gare...
Le bâtiment est situé sur un carrefour central du transport en commun. Notre coin nord-ouest est à quelques pas de la gare Corona - une ligne vitale dans le système LRT d'Edmonton. En bus, nous sommes à quelques secondes de plusieurs grands arrêts de correspondance. Accès facile (et très accessible aux personnes handicapées) directement sur l'avenue Jasper, à quelques minutes de la vallée de la rivière d'Edmonton, de l'Assemblée législative de l'Alberta et de l'Université MacEwan.
Cette formation en direct avec instructeur (en ligne ou sur site) s'adresse aux ingénieurs qui souhaitent déployer des charges de travail Machine Learning sur un serveur AWS EC2.
A l'issue de cette formation, les participants seront capables de :
Installer et configurer Kubernetes, Kubeflow et d'autres logiciels nécessaires sur AWS.
Utiliser EKS (Elastic Kubernetes Service) pour simplifier le travail d'initialisation d'un cluster Kubernetes sur AWS.
Créer et déployer un pipeline Kubernetes pour automatiser et gérer les modèles ML en production.
Entraîner et déployer TensorFlow modèles ML sur plusieurs GPU et machines fonctionnant en parallèle.
Mettre à profit d'autres services gérés AWS pour étendre une application ML.
Cette formation en direct avec instructeur (en ligne ou sur site) est destinée aux ingénieurs qui souhaitent déployer des charges de travail Machine Learning dans le nuage Azure.
A l'issue de cette formation, les participants seront capables de :
Installer et configurer Kubernetes, Kubeflow et d'autres logiciels nécessaires sur Azure.
Utiliser Azure Kubernetes Service (AKS) pour simplifier le travail d'initialisation d'un cluster Kubernetes sur Azure.
Créer et déployer un pipeline Kubernetes pour automatiser et gérer les modèles ML en production.
Entraîner et déployer TensorFlow modèles ML sur plusieurs GPU et machines fonctionnant en parallèle.
Mettre à profit d'autres services gérés AWS pour étendre une application ML.
Cette formation en direct avec instructeur (en ligne ou sur site) s'adresse aux ingénieurs qui souhaitent déployer des charges de travail Machine Learning sur Google Cloud Platform (GCP).
A l'issue de cette formation, les participants seront capables de :
Installer et configurer Kubernetes, Kubeflow et d'autres logiciels nécessaires sur GCP et GKE.
Utiliser GKE (Kubernetes Kubernetes Engine) pour simplifier le travail d'initialisation d'un cluster Kubernetes sur GCP.
Créer et déployer un pipeline Kubernetes pour automatiser et gérer les modèles ML en production.
Entraîner et déployer TensorFlow modèles ML sur plusieurs GPU et machines fonctionnant en parallèle.
Mettre à profit d'autres services GCP pour étendre une application ML.
Cette formation en <loc> ; (en ligne ou sur site) est destinée aux ingénieurs qui souhaitent déployer des charges de travail Machine Learning sur IBM Cloud Kubernetes Service (IKS).
A l'issue de cette formation, les participants seront capables de :
Installer et configurer Kubernetes, Kubeflow et d'autres logiciels nécessaires sur IBM Cloud Kubernetes Service (IKS).
Utiliser IKS pour simplifier le travail d'initialisation d'un cluster Kubernetes sur IBM Cloud.
Créer et déployer un pipeline Kubernetes pour automatiser et gérer les modèles ML en production.
Entraîner et déployer TensorFlow modèles ML sur plusieurs GPU et machines fonctionnant en parallèle.
Mettre à profit d'autres services IBM Cloud pour étendre une application ML.
Cette formation en direct avec instructeur (en ligne ou sur site) s'adresse aux ingénieurs qui souhaitent évaluer les approches et les outils disponibles aujourd'hui afin de prendre une décision intelligente sur la voie à suivre pour adopter MLOps au sein de leur organisation.
A l'issue de cette formation, les participants seront capables de :
Installer et configurer divers cadres et outils MLOps.
Assembler le bon type d'équipe avec les bonnes compétences pour construire et soutenir un système MLOps.
Préparer, valider et modifier les données à utiliser par les modèles de ML.
Comprendre les composants d'un pipeline de ML et les outils nécessaires pour en construire un.
Expérimenter avec différents frameworks d'apprentissage automatique et serveurs pour le déploiement en production.
Opérationnaliser l'ensemble du processus d'apprentissage automatique de manière à ce qu'il soit reproductible et maintenable.
Cette formation en <loc> ; (en ligne ou sur site) est destinée aux développeurs et aux scientifiques des données qui souhaitent construire, déployer et gérer des flux de travail d'apprentissage automatique sur Kubernetes.
A l'issue de cette formation, les participants seront capables de :
Installer et configurer Kubeflow sur site et dans le cloud à l'aide d'AWS EKS (Elastic Kubernetes Service).
Construire, déployer et gérer des flux de travail de ML basés sur des conteneurs Docker et Kubernetes.
Exécuter des pipelines d'apprentissage automatique entiers sur diverses architectures et environnements cloud.
Utiliser Kubeflow pour créer et gérer des blocs-notes Jupyter.
Construire des charges de travail d'entraînement ML, de réglage d'hyperparamètres et de service sur plusieurs plateformes.
Cette formation en direct (en ligne ou sur site) est destinée aux ingénieurs qui souhaitent déployer des charges de travail d'apprentissage automatique dans un OpenShift nuage sur site ou hybride.
À l'issue de cette formation, les participants seront capables de :
Installer et configurer Kubernetes et Kubeflow sur un cluster OpenShift.
Utiliser OpenShift pour simplifier le travail d'initialisation d'un cluster Kubernetes.
Créer et déployer un pipeline Kubernetes pour automatiser et gérer les modèles ML en production.
Entraîner et déployer TensorFlow modèles ML sur plusieurs GPU et machines fonctionnant en parallèle.
Appeler des services de cloud public (par exemple, des services AWS) à partir d'OpenShift pour étendre une application ML
Cette formation en <loc> ; (en ligne ou sur site) est destinée aux développeurs et aux scientifiques des données qui souhaitent construire, déployer et gérer des flux de travail d'apprentissage automatique sur Kubernetes.
A l'issue de cette formation, les participants seront capables de :
Installer et configurer Kubeflow sur site et dans le cloud.
Construire, déployer et gérer des flux de travail de ML basés sur des conteneurs Docker et Kubernetes.
Exécuter des pipelines d'apprentissage machine entiers sur diverses architectures et environnements cloud.
Utiliser Kubeflow pour engendrer et gérer des carnets Jupyter.
Construire des charges de travail d'entraînement ML, de réglage d'hyperparamètres et de service sur plusieurs plateformes.
Cette formation en direct (en ligne ou sur site) est destinée aux data scientists qui souhaitent aller au-delà de la construction de modèles ML et optimiser le processus de création, de suivi et de déploiement des modèles ML.
A l'issue de cette formation, les participants seront capables de :
Installer et configurer MLflow et les bibliothèques et frameworks de ML associés.
Apprécier l'importance de la traçabilité, de la reproductibilité et de la déployabilité d'un modèle ML
.
Déployer des modèles de ML sur différents clouds publics, plateformes ou serveurs sur site.
Mettre à l'échelle le processus de déploiement du ML afin d'accueillir plusieurs utilisateurs collaborant à un projet.
Mettre en place un registre central pour expérimenter, reproduire et déployer des modèles de ML.
En savoir plus...
Last Updated:
Nos Clients témoignent (3)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Formation - MLflow
La qualité des explications, et le nombre important de sujets abordés
Hugo SECHIER - Expleo France
Formation - Kubeflow on AWS
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life™
MLOps formation à Alberta, Weekend MLOps cours à Alberta, Soir MLOps formation à Alberta, MLOps formateur en ligne à Alberta, MLOps formation à Alberta, MLOps cours du soir à Alberta, MLOps formation Intra à Alberta, MLOps formation Intra Entreprise à Alberta, MLOps formation Inter à Alberta, MLOps formation Inter Entreprise à Alberta, MLOps préparation à Alberta, MLOps entraînement à Alberta, MLOps cours privé à Alberta, MLOps formateur à Alberta, MLOps sur place à Alberta, MLOps stage de préparation à Alberta, MLOps instructeur à Alberta, MLOps professeur à Alberta,MLOps cours à Alberta, MLOps coach à Alberta, MLOps coaching à Alberta, MLOps cours particuliers à Alberta, MLOps préparation aux examens à Alberta, Weekend MLOps formation à Alberta, Soir MLOps cours à Alberta