Cursos de Kubeflow em Portugal

Kubeflow é uma plataforma de código aberto projetada para facilitar a construção, treinamento e implantação de cargas de trabalho de aprendizado de máquina no Kubernetes.

Este treinamento conduzido por instrutor (online ou presencial) é voltado para profissionais de nível iniciante a intermediário que desejam construir fluxos de trabalho confiáveis de ML usando Kubeflow.

Ao final deste treinamento, os participantes adquirirão as habilidades para:

• Navegar no ecossistema do Kubeflow e nos componentes principais.
• Construir fluxos de trabalho reproduzíveis com Kubeflow Pipelines.
• Executar trabalhos de treinamento escaláveis no Kubernetes.
• Servir modelos de aprendizado de máquina eficientemente usando Kubeflow Serving.

Formato do Curso

• Apresentações guiadas e discussões colaborativas.
• Laboratórios práticos com componentes reais do Kubeflow.
• Exercícios práticos para construir fluxos de trabalho de ML de ponta a ponta.

Opções de Personalização do Curso

• Versões personalizadas deste treinamento podem ser organizadas para se alinharem com a pilha tecnológica e os requisitos de projeto da sua equipe.

Esse treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a desenvolvedores e cientistas de dados que desejam criar, implantar e gerenciar fluxos de trabalho de aprendizado de máquina em Kubernetes.

Ao final deste treinamento, os participantes serão capazes de:

• Instalar e configurar Kubeflow no local e na nuvem usando o AWS EKS (Elastic Kubernetes Service).
• Crie, implante e gerencie fluxos de trabalho de ML com base em contêineres Docker e Kubernetes.
• Executar pipelines de aprendizagem automática completos em diversas arquitecturas e ambientes de nuvem.
• Usando Kubeflow para gerar e gerenciar notebooks Jupyter.
• Criar treinamento de ML, ajuste de hiperparâmetros e servir cargas de trabalho em várias plataformas.

Este treinamento presencial, conduzido por instrutor (online ou local), é voltado para engenheiros que desejam implantar cargas de trabalho de Machine Learning em um servidor AWS EC2.

Ao final deste treinamento, os participantes serão capazes de:

• Instalar e configurar Kubernetes, Kubeflow e outros softwares necessários no AWS.
• Usar EKS (Elastic Kubernetes Service) para simplificar a inicialização de um cluster do Kubernetes no AWS.
• Criar e implantar um pipeline do Kubernetes para automatizar e gerenciar modelos de ML em produção.
• Treinar e implantar modelos de ML do TensorFlow em múltiplas GPUs e máquinas executando em paralelo.
• Leverage outros serviços gerenciados pela AWS para estender um aplicativo de ML.

Este treinamento dirigido por instrutor (online ou presencial) é destinado a engenheiros que desejam implantar cargas de trabalho de Machine Learning na nuvem Azure.

Ao final deste treinamento, os participantes serão capazes de:

• Instalar e configurar o Kubernetes, Kubeflow e outros softwares necessários no Azure.
• Usar o Azure Kubernetes Service (AKS) para simplificar a inicialização de um cluster do Kubernetes no Azure.
• Criar e implantar um pipeline do Kubernetes para automatizar e gerenciar modelos de ML em produção.
• Treinar e implantar modelos de ML do TensorFlow em múltiplos GPUs e máquinas executando em paralelo.
• Aproveitar outros serviços gerenciados da AWS para estender um aplicativo de ML.

Esse treinamento ao vivo conduzido por instrutor em Portugal (no local ou remoto) é destinado a desenvolvedores e cientistas de dados que desejam criar, implantar e gerenciar fluxos de trabalho de aprendizado de máquina em Kubernetes.

Ao final deste treinamento, os participantes serão capazes de:

• Instalar e configurar Kubeflow no local e na nuvem.
• Crie, implante e gerencie fluxos de trabalho de ML com base em contêineres Docker e Kubernetes.
• Executar pipelines de aprendizado de máquina inteiros em diversas arquiteturas e ambientes de nuvem.
• Usando Kubeflow para gerar e gerenciar notebooks Jupyter.
• Criar treinamento de ML, ajuste de hiperparâmetros e servir cargas de trabalho em várias plataformas.