Formation MLOps : CI/CD pour l'Apprentissage Automatique

Ce cours est conçu pour les participants engagés dans la conception, l'implémentation et la gestion des pipelines de déploiement DevOps et des chaînes d'outils qui soutiennent l'intégration continue, la livraison continue, le test continu et potentiellement le déploiement continu. Le cours met en lumière les processus sous-jacents, les indicateurs, les API et les considérations culturelles liées à la livraison continue.

Apprenez à optimiser les tests, à tester plus rapidement tout en obtenant une bonne qualité et un résultat stable et cohérent.

Apprenez ce qu'est l'DevOps Engineering, pourquoi l'ingénierie DevOps est importante et comment la réussir.

Le cours commence par un bref aperçu des principes fondamentaux de DevOps, puis passe à son implémentation. Il est conçu du point de vue de l'ingénierie et aborde des sujets tels que DevOps en relation avec d'autres frameworks, technologies,
pratiques de conception d'applications, intégration continue, livraison et déploiement continus, tests continus, infrastructures élastiques, surveillance, métriques, observabilité, gouvernance, aspects humains et tendances futures de l'ingénierie DevOps.

Le cours de base DevOps fournit une compréhension de base de la terminologie DevOps clé pour s'assurer que tout le monde parle le même langage et met en évidence les avantages de DevOps pour soutenir le succès de l'organisation.

Le cours met en lumière la dynamique humaine du changement culturel et dote les participants de pratiques, méthodes et outils pour engager les personnes tout au long du spectre DevOps grâce à des scénarios et études de cas réels. À l'issue du cours, les participants disposeront de retours concrets à utiliser lorsqu'ils seront de retour au bureau, tels que la compréhension de la Cartographie des Flux de Valeur.

Introduction aux principes, pratiques et outils de gestion de la chaîne de valeur. Conçue pour optimiser le flux de valeur et la réalisation dans les flux de valeur numériques et pour développer les compétences des individus. Les flux de valeur numériques comprennent les applications et les services logiciels ainsi que les plateformes qui les supportent, par exemple l'infrastructure en nuage ou les chaînes d'outils DevOps.

Les principes fondamentaux de DevSecOps enseignés peuvent soutenir une transformation organisationnelle, augmenter la productivité, réduire les risques et optimiser l'utilisation des ressources.

DevSecOps Practitioner présente une gamme de pratiques permettant de progresser vers une compréhension plus complète des pratiques DevSecOps. Explorez les résultats pratiques en trouvant la bonne combinaison de personnes, en construisant des processus pour accélérer la valeur, et en comparant les options technologiques disponibles aujourd'hui. Conçu pour les organisations récemment transformées qui cherchent à améliorer les compétences et la sensibilisation DevSecOps.

Cette formation en direct avec instructeur en Canada (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.

À l'issue de cette formation, les participants seront en mesure de :

• Installer et configurer Kubeflow sur site et dans le cloud en utilisant 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 complets sur diverses architectures et environnements en nuage.
• Utiliser Kubeflow pour créer 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 dirigée par un instructeur (en ligne ou sur site) est destinée aux ingénieurs qui souhaitent déployer des charges de travail d'apprentissage automatique sur un serveur AWS EC2.

À la fin de cette formation, les participants seront capables de :

• Installer et configurer Kubernetes, Kubeflow et tout autre logiciel nécessaire sur AWS.
• Utiliser EKS (Elastic Kubernetes Service) pour simplifier l'initialisation d'un cluster Kubernetes sur AWS.
• Créer et déployer un pipeline Kubernetes pour automatiser et gérer les modèles ML en production.
• Former et déployer des modèles ML TensorFlow sur plusieurs GPU et machines fonctionnant en parallèle.
• Utiliser d'autres services gérés AWS pour étendre une application ML.

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux ingénieurs souhaitant déployer des charges de travail d'apprentissage automatique dans le cloud Azure.

À la fin de cette formation, les participants seront capables de :

• Installer et configurer Kubernetes, Kubeflow et tout autre logiciel nécessaire sur Azure.
• Utiliser Azure Kubernetes Service (AKS) pour simplifier l'initialisation d'un cluster Kubernetes sur Azure.
• Créer et déployer un pipeline Kubernetes pour automatiser et gérer les modèles ML en production.
• Former et déployer des modèles ML TensorFlow sur plusieurs GPU et machines exécutées en parallèle.
• Exploiter d'autres services managés AWS pour étendre une application ML.

Kubeflow est une plateforme open-source conçue pour simplifier la création, l'entraînement et le déploiement de charges de travail d'apprentissage automatique sur Kubernetes.

Cette formation dirigée par un formateur (en ligne ou sur site) est destinée aux professionnels de niveau débutant à intermédiaire qui souhaitent créer des flux de travail fiables en utilisant Kubeflow.

À la fin de cette formation, les participants acquerront les compétences nécessaires pour :

• Naviguer dans l'écosystème Kubeflow et ses composants principaux.
• Créer des flux de travail reproductibles avec Kubeflow Pipelines.
• Exécuter des tâches d'entraînement évolutives sur Kubernetes.
• Déployer efficacement des modèles d'apprentissage automatique en utilisant Kubeflow Serving.

Format de la Formation

• Présentations guidées et discussions collaboratives.
• Laboratoires pratiques avec des composants Kubeflow réels.
• Exercices pratiques pour créer des flux de travail d'apprentissage automatique complets.

Options de Personnalisation de la Formation

• Des versions personnalisées de cette formation peuvent être organisées pour s'aligner avec la pile technologique et les exigences de projet de votre équipe.

Cette formation en direct avec instructeur en Canada (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.

À l'issue de cette formation, les participants seront en mesure de :

• Installer et configurer Kubeflow sur site et dans le cloud.
• Construire, déployer et gérer des flux de travail d'apprentissage automatique basés sur les conteneurs Docker et Kubernetes.
• Exécuter des pipelines d'apprentissage machine complets sur diverses architectures et environnements cloud.
• Utiliser Kubeflow pour créer 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 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'accommoder plusieurs utilisateurs collaborant à un projet.
• Mettre en place un registre central pour expérimenter, reproduire et déployer des modèles de ML.

Le cours SRE (Site Reliability Engineering) Foundation est une introduction aux principes et pratiques qui permettent à une organisation de mettre à l'échelle de manière fiable et économique des services critiques. L'introduction d'une dimension de fiabilité du site nécessite un réalignement organisationnel, une nouvelle attention portée à l'ingénierie et à l'automatisation, ainsi qu'adopter un éventail de nouveaux paradigmes de travail.