Kubeflow on AWS 교육 과정

대한민국에서 강사가 진행하는 이 라이브 교육(온라인 또는 현장)은 AWS 생태계 내에서 인프라 리소스를 관리하기 위해 CloudFormation을 사용하려는 클라우드 엔지니어와 개발자를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• 인프라 관리를 자동화하기 위해 CloudFormation개의 템플릿을 구현합니다.
• 기존 AWS 리소스를 CloudFormation에 통합합니다.
• StackSets를 사용하면 여러 계정과 지역에 걸친 스택을 관리할 수 있습니다.

대한민국에서 강사가 진행하는 이 라이브 교육(온라인 또는 현장)은 중급~고급 수준의 경험을 보유한 고급 AI 엔지니어 및 데이터 과학자를 대상으로 하며 DeepSeek 모델 성능을 향상시키고 대기 시간을 최소화하며 최신 MLOps 방식을 사용하여 AI 솔루션을 효율적으로 배포하고자 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• 효율성, 정확성 및 확장성을 위해 DeepSeek 모델을 최적화합니다.
• MLOps 및 모델 버전 관리를 위한 모범 사례를 구현합니다.
• 클라우드 및 온프레미스 인프라에 DeepSeek 모델을 배포합니다.
• AI 솔루션을 효과적으로 모니터링, 유지 관리하고 확장합니다.

대한민국에서 강사가 진행하는 이 라이브 교육(온라인 또는 현장)은 AWS에 호스팅된 웹 애플리케이션에 DynamoDB NoSQL 데이터베이스를 통합하려는 개발자를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• DynamoDB에 데이터를 통합하는 데 필요한 개발 환경을 설정합니다.
• DynamoDB를 웹 애플리케이션과 모바일 애플리케이션에 통합합니다.
• AWS 서비스를 사용하여 AWS로 데이터를 이동합니다.
• AWS DAX로 운영을 구현합니다.

대한민국(현장 또는 원격)에서 강사가 진행하는 이 실시간 교육은 AWS에서 IoT 기기를 배포하고 관리하려는 엔지니어를 대상으로 합니다.

이 교육을 마치면 참가자는 AWS를 기반으로 백엔드, 게이트웨이, 장치를 배포하고 관리하는 IoT 플랫폼을 구축할 수 있게 됩니다.

대한민국에서 강사가 진행하는 이 라이브 교육(온라인 또는 현장)은 다양한 장치에 대한 애플리케이션을 생성하기 위해 AWS IoT Greengrass 기능을 설치, 구성 및 관리하려는 개발자를 대상으로 합니다.

이 교육을 마치면 참가자는 AWS IoT Greengrass를 사용하여 지능형 장치에서 애플리케이션을 빌드, 배포, 관리, 보안 및 모니터링할 수 있습니다.

대한민국에서 강사가 진행하는 이 실시간 교육(현장 또는 원격)은 실행 환경(서버, VM 및 컨테이너, 가용성, 확장성, 스토리지 등) 프로비저닝에 대해 걱정할 필요 없이 AWS Lambda을 사용하여 클라우드에 서비스와 애플리케이션을 빌드하고 배포하려는 개발자를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• AWS Lambda을 구성하여 함수를 실행하세요.
• FaaS(서비스로서의 기능)와 서버리스 개발의 장점을 알아보세요.
• AWS Lambda개의 함수를 빌드, 업로드 및 실행합니다.
• Lambda 함수를 다양한 이벤트 소스와 통합합니다.
• Lambda 기반 애플리케이션을 패키징, 배포, 모니터링하고 문제를 해결합니다.

대한민국에서 진행되는 이 실시간 교육(온라인 또는 현장)은 AWS CloudFormation을(를) 사용하여 AWS 클라우드 인프라 관리 프로세스를 자동화하려는 엔지니어를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• AWS 서비스를 활성화하여 인프라 관리를 시작하세요.
• "코드로서의 인프라"의 원칙을 이해하고 적용합니다.
• 품질을 향상하고 인프라 배포 비용을 절감합니다.
• YAML을 사용하여 AWS CloudFormation 템플릿을 작성합니다.

대한민국에서 진행되는 이 강사 주도 라이브 교육(온라인 또는 현장)은 AWS Cloud9를 사용하여 DevOps 관행에 대한 이해를 심화하고 개발 프로세스를 간소화하려는 고급 전문가를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• DevOps 워크플로에 대해 AWS Cloud9를 설정하고 구성합니다.
• CI/CD(지속적인 통합 및 지속적인 배포) 파이프라인을 구현합니다.
• AWS Cloud9를 사용하여 테스트, 모니터링 및 배포 프로세스를 자동화하세요.
• Lambda, EC2, S3와 같은 AWS 서비스를 DevOps 워크플로에 통합합니다.
• AWS Cloud9 내의 GitHub 또는 GitLab와 같은 소스 제어 시스템을 활용합니다.

대한민국에서 강사가 진행하는 이 라이브 교육(온라인 또는 현장)은 AWS Cloud9 및 AWS Lambda에서 서버리스 애플리케이션을 효과적으로 빌드, 배포 및 유지 관리하는 방법을 배우고자 하는 중급 전문가를 대상으로 합니다.

이 교육을 마치면 참가자는 다음을 수행할 수 있습니다.

• 서버리스 아키텍처의 기본을 이해합니다.
• 서버리스 애플리케이션 개발을 위해 AWS Cloud9를 설정하세요.
• AWS Lambda을 사용하여 서버리스 애플리케이션을 개발, 테스트 및 배포합니다.
• API Gateway 및 S3와 같은 다른 AWS 서비스와 AWS Lambda을 통합합니다.
• 성능과 비용 효율성을 위해 서버리스 애플리케이션을 최적화하세요.

요약:

• IoT 아키텍처 및 기능의 기본
• 사물, 센서, 인터넷 및 IoT의 비즈니스 기능 간 매핑
• 모든 IoT 소프트웨어 구성 요소의 필수 요소 - 하드웨어, 펌웨어, 미들웨어, 클라우드 및 모바일 앱
• IoT 기능 - 차량 관리자, 데이터 시각화, SaaS 기반 FM 및 DV, 경고/알람, 센서 온보딩, "사물" 온보딩, 지오펜싱
• MQTT를 이용한 IoT 기기와 클라우드 간의 통신의 기본 사항.
• MQTT를 사용하여 IoT 장치를 AWS에 연결합니다(AWS IoT 코어).
• 계산 및 데이터 저장을 위해 AWS IoT 코어를 AWS Lambda 함수와 연결합니다.
• Raspberry PI를 AWS IoT 코어와 연결하고 간단한 데이터 통신을 합니다.
• 알림 및 이벤트
• 센서 교정

요약:

• IoT 아키텍처 및 기능의 기본
• 사물, 센서, 인터넷 및 IoT의 비즈니스 기능 간 매핑
• 모든 IoT 소프트웨어 구성 요소의 필수 요소 - 하드웨어, 펌웨어, 미들웨어, 클라우드 및 모바일 앱
• IoT 기능 - 차량 관리자, 데이터 시각화, SaaS 기반 FM 및 DV, 경고/알람, 센서 온보딩, "사물" 온보딩, 지오펜싱
• MQTT를 이용한 IoT 기기와 클라우드 간의 통신의 기본 사항.
• MQTT를 사용하여 IoT 장치를 AWS에 연결합니다(AWS IoT 코어).
• DynamoDB를 사용하여 계산 및 데이터 저장을 위해 AWS IoT 코어를 AWS Lambda 함수와 연결합니다.
• Raspberry PI를 AWS IoT 코어와 연결하고 간단한 데이터 통신을 합니다.
• Raspberry PI와 AWS IoT Core를 사용하여 스마트 기기를 만들어 보세요.
• 센서 데이터 시각화 및 웹 인터페이스를 통한 통신.

대한민국에서 진행되는 이 강사 주도 라이브 교육(온라인 또는 현장)은 Machine Learning 워크로드를 Azure 클라우드에 배포하려는 엔지니어를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• Azure에 Kubernetes, Kubeflow 및 기타 필요한 소프트웨어를 설치하고 구성합니다.
• AKS(Azure Kubernetes Service)를 사용하여 Azure에서 Kubernetes 클러스터 초기화 작업을 단순화합니다.
• 프로덕션에서 ML 모델을 자동화하고 관리하기 위한 Kubernetes 파이프라인을 생성하고 배포합니다.
• 병렬로 실행되는 여러 GPU 및 머신에서 ML 모델을 훈련하고 배포합니다.
• 다른 AWS 관리형 서비스를 활용하여 ML 애플리케이션을 확장합니다.

이 강사가 진행하는 실시간 교육(온라인 또는 현장)은 ML 모델 구축을 넘어 ML 모델 생성, 추적 및 배포 프로세스를 최적화하려는 데이터 과학자를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• MLflow 및 관련 ML 라이브러리와 프레임워크를 설치하고 구성합니다.
• ML 모델의 추적성, 재현성, 배포 가능성의 중요성을 인식합니다.
• ML 모델을 다양한 퍼블릭 클라우드, 플랫폼 또는 온프레미스 서버에 배포합니다.
• 여러 사용자가 프로젝트에서 공동 작업할 수 있도록 ML 배포 프로세스를 확장합니다.
• ML 모델을 실험, 재현, 배포하기 위한 중앙 레지스트리를 설정합니다.

이 강사는 온라인 또는 현장에서 직접 교육을 통해 조직 내 MLOps 채택을 위한 최신 접근법과 도구를 평가하고 싶은 엔지니어를 대상으로 합니다.

이 교육을 마친 후 참가자는 다음과 같은 작업을 수행할 수 있습니다:

• 다양한 MLOps 프레임워크와 도구를 설치하고 구성합니다.
• MLOps 시스템을 구축하고 지원하기 위해 적절한 팀과 기술을 갖추는 방법을 학습합니다.
• ML 모델을 사용하여 데이터를 준비, 검증 및 버전 관리합니다.
• ML 파이프라인의 구성 요소와 이를 구축하는 데 필요한 도구를 이해합니다.
• 다양한 머신러닝 프레임워크와 서버를 사용하여 생산 환경에 배포합니다.
• 머신러닝 과정을 재현 가능하고 유지 가능하게 운영화합니다.

이 강사는 온라인 또는 현장에서 진행되는 이 강좌는 Azure Machine Learning과 Azure DevOps를 사용하여 MLOps 관행을 촉진하고자 하는 머신러닝 엔지니어를 대상으로 합니다.

이 강좌를 통해 참가자들은 다음을 할 수 있게 됩니다:

• 재현 가능한 워크플로우와 머신러닝 모델을 구축합니다.
• 머신러닝 라이프사이클을 관리합니다.
• 모델 버전 역사, 자산 등을 추적하고 보고합니다.
• 어디서나 생산 준비된 머신러닝 모델을 배포합니다.