Curso de Kubeflow on Azure

Esta capacitación en vivo dirigida por un instructor (en línea o presencial) está dirigida a científicos de datos que desean ir más allá de la creación de modelos de ML y optimizar el proceso de creación, seguimiento e implementación de modelos de ML.

Al final de esta formación, los participantes serán capaces de:

• Instale y configure MLflow y las bibliotecas y marcos de ML relacionados.
• Apreciar la importancia de la trazabilidad, la reproducibilidad y la capacidad de implementación de un modelo de ML
• Implemente modelos de ML en diferentes nubes públicas, plataformas o servidores locales.
• Escale el proceso de implementación de ML para dar cabida a varios usuarios que colaboran en un proyecto.
• Configure un registro central para experimentar, reproducir e implementar modelos de ML.

Esta formación en directo dirigida por un instructor en España (en línea o in situ) está dirigida a desarrolladores que desean aprender a crear microservicios en Microsoft Azure Service Fabric (ASF).

Al final de esta capacitación, los participantes serán capaces de:

• Utilice ASF como plataforma para crear y administrar microservicios.
• Comprender los conceptos y modelos clave de programación de microservicios.
• Cree un clúster en Azure.
• Implemente microservicios en las instalaciones o en la nube.
• Depurar y solucionar problemas de una aplicación de microservicios activa.

Este curso de formación en vivo dirigido por un instructor en España (en línea o presencial) está dirigido a ingenieros de IA y científicos de datos de nivel avanzado con experiencia intermedia a avanzada que desean mejorar DeepSeek el rendimiento del modelo, minimizar la latencia y implementar soluciones de IA de manera eficiente utilizando prácticas modernas MLOps.

Al final de esta capacitación, los participantes podrán:

• Optimizar DeepSeek modelos para eficiencia, precisión y escalabilidad.
• Implementar buenas prácticas para MLOps y versionado de modelos.
• Desplegar DeepSeek modelos en infraestructuras en la nube y locales.
• Monitorear, mantener y escalar soluciones de IA de manera efectiva.

Esta capacitación en vivo dirigida por un instructor en España (en línea o in situ) está dirigida a ingenieros que desean implementar Machine Learning cargas de trabajo en un servidor de AWS EC2.

Al final de esta capacitación, los participantes serán capaces de:

• Instale y configure Kubernetes, Kubeflow y otro software necesario en AWS.
• Utilice EKS (Elastic Kubernetes Service) para simplificar el trabajo de inicialización de un clúster de Kubernetes en AWS.
• Cree e implemente una canalización de Kubernetes para automatizar y administrar modelos de ML en producción.
• Entrene e implemente TensorFlow modelos de ML en varias GPU y máquinas que se ejecutan en paralelo.
• Aproveche otros servicios administrados de AWS para ampliar una aplicación de ML.

Esta capacitación en vivo dirigida por un instructor en España (en línea o presencial) está dirigida a ingenieros que desean implementar Machine Learning cargas de trabajo en Google Cloud Platform (GCP).

Al final de esta formación, los participantes serán capaces de:

• Instala y configura Kubernetes, Kubeflow y otro software necesario en GCP y GKE.
• Usa GKE (Kubernetes Kubernetes Engine) para simplificar el trabajo de inicializar un clúster Kubernetes en GCP.
• Cree e implemente una canalización Kubernetes para automatizar y administrar modelos de ML en producción.
• Entrene e implemente TensorFlow modelos de ML en varios GPU y máquinas que se ejecutan en paralelo.
• Aprovecha otros servicios de GCP para ampliar una aplicación de AA.

Esta capacitación en vivo dirigida por un instructor en España (en línea o en el sitio) está dirigida a ingenieros que desean implementar Machine Learning cargas de trabajo en IBM Cloud Kubernetes Service (IKS).

Al final de esta capacitación, los participantes serán capaces de:

Instale y configure Kubernetes
• , Kubeflow y otro software necesario en IBM Cloud Kubernetes Service (IKS).
• Utilice IKS para simplificar el trabajo de inicialización de un clúster de Kubernetes en IBM Cloud.
• Cree e implemente una canalización de Kubernetes para automatizar y administrar modelos de ML en producción.
• Entrene e implemente TensorFlow modelos de ML en varias GPU y máquinas que se ejecutan en paralelo.
• Aproveche otros servicios de IBM Cloud para ampliar una aplicación de ML.

Esta capacitación en vivo dirigida por un instructor en España (en línea o en el sitio) está dirigida a ingenieros que desean evaluar los enfoques y herramientas disponibles hoy en día para tomar una decisión inteligente sobre el camino a seguir en la adopción MLOps dentro de su organización.

Al final de esta formación, los participantes serán capaces de:

• Instale y configure varios MLOps marcos y herramientas.
• Reúna el tipo correcto de equipo con las habilidades adecuadas para construir y apoyar un sistema MLOps.
• Prepare, valide y versione los datos para su uso por parte de los modelos de ML.
• Comprenda los componentes de una canalización de ML y las herramientas necesarias para crear una.
• Experimente con diferentes marcos y servidores de aprendizaje automático para implementarlos en producción.
• Ponga en funcionamiento todo el proceso Machine Learning para que sea reproducible y mantenible.

Esta capacitación en vivo dirigida por un instructor (en línea o en el sitio) está dirigida a ingenieros de aprendizaje automático que desean usar Azure Machine Learning y Azure DevOps para facilitar MLOps prácticas.

Al final de esta formación, los participantes serán capaces de:

• Cree flujos de trabajo reproducibles y modelos de aprendizaje automático.
• Administre el ciclo de vida del aprendizaje automático.
• Realice un seguimiento y genere informes sobre el historial de versiones del modelo, los activos y mucho más.
• Implemente modelos de aprendizaje automático listos para producción en cualquier lugar.

Esta capacitación en vivo dirigida por un instructor en España (en línea o presencial) está dirigida a desarrolladores y científicos de datos que desean crear, implementar y administrar flujos de trabajo de aprendizaje automático en Kubernetes.

Al final de esta formación, los participantes serán capaces de:

• Instale y configure Kubeflow en las instalaciones y en la nube mediante AWS EKS (Elastic Kubernetes Service).
• Cree, implemente y administre flujos de trabajo de ML basados en Docker contenedores y Kubernetes.
• Ejecute canalizaciones completas de aprendizaje automático en diversas arquitecturas y entornos en la nube.
• Uso de Kubeflow para generar y administrar cuadernos de Jupyter Notebook.
• Cree entrenamiento de ML, ajuste de hiperparámetros y entrega de cargas de trabajo en múltiples plataformas.

Esta capacitación en vivo dirigida por un instructor en España (en línea o presencial) está dirigida a desarrolladores y científicos de datos que desean crear, implementar y administrar flujos de trabajo de aprendizaje automático en Kubernetes.

Al final de esta formación, los participantes serán capaces de:

• Instale y configure Kubeflow en las instalaciones y en la nube.
• Cree, implemente y administre flujos de trabajo de ML basados en Docker contenedores y Kubernetes.
• Ejecute canalizaciones completas de aprendizaje automático en diversas arquitecturas y entornos en la nube.
• Uso de Kubeflow para generar y administrar cuadernos de Jupyter Notebook.
• Cree entrenamiento de ML, ajuste de hiperparámetros y entrega de cargas de trabajo en múltiples plataformas.

Esta capacitación en vivo dirigida por un instructor (en línea o en el sitio) está dirigida a ingenieros que desean implementar Machine Learning cargas de trabajo en una OpenShift nube local o híbrida.

• Al final de esta formación, los participantes serán capaces de:
• Instale y configure Kubernetes y Kubeflow en un clúster OpenShift.
• Utilice OpenShift para simplificar el trabajo de inicialización de un clúster Kubernetes.
• Cree e implemente una canalización Kubernetes para automatizar y administrar modelos de ML en producción.
• Entrene e implemente TensorFlow modelos de ML en varios GPU y máquinas que se ejecutan en paralelo.
• Llame a los servicios de nube pública (por ejemplo, los servicios de AWS) desde OpenShift para ampliar una aplicación de ML.

Esta capacitación en vivo dirigida por un instructor en España (en línea o en el sitio) está dirigida a ingenieros que desean usar Azure la plataforma de arrastrar y soltar de ML para implementar Machine Learning cargas de trabajo sin tener que comprar software y hardware y sin tener que preocuparse por el mantenimiento y la implementación.

Al final de esta formación, los participantes serán capaces de:

• Escriba modelos de aprendizaje automático de alta precisión con herramientas Python, R o de código cero.
• Aproveche los conjuntos de datos y algoritmos disponibles de Azure para entrenar y realizar un seguimiento de los modelos de aprendizaje automático y aprendizaje profundo.
• Utilice el espacio de trabajo interactivo de Azure para desarrollar modelos de ML de forma colaborativa.
• Elija entre diferentes marcos de ML compatibles con Azure, como PyTorch, TensorFlow y scikit-learn.