AWS에서 Kubeflow 교육 과정

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.

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 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.

Docker는 재현 가능하고 이동성 있고 확장 가능한 ML 시스템 환경을 구축하기 위해 사용되는 컨테이너화 플랫폼입니다.

이 강사 주도의 실시간 교육(온라인 또는 현지)은 Docker를 사용하여 ML 파이프라인을 컨테이너화하고 운영화하려는 중급에서 고급 수준의 기술 전문가들을 대상으로 합니다.

이 교육을 완료한 후 참가자들은 다음과 같은 능력을 갖추게 됩니다:

• ML 학습, 검증, 추론 작업을 컨테이너화할 수 있습니다.
• Docker와 보조 도구를 사용하여 끝에서 끝까지의 ML 파이프라인을 설계하고 조정할 수 있습니다.
• ML 구성요소에 대한 버전 관리, 재현성, CI/CD를 구현할 수 있습니다.
• 컨테이너 환경에서 ML 서비스를 배포, 모니터링, 확장할 수 있습니다.

강의 형식

• 실용적인 시연을 지원하는 대화형 강의.
• 실제 ML 파이프라인 구성요소를 구축하기 위한 실습 연습.
• 끝에서 끝까지의 컨테이너화된 워크플로우 구현을 위한 실시간 실험실.

강의 맞춤 옵션

• 특정 ML 인프라 요구사항에 맞춘 교육을 원하시면 저희에게 문의하여 옵션을 논의해 주세요.

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 실시간 교육(온라인 또는 현장)은 Kubernetes에서 기계 학습 워크플로를 구축, 배포 및 관리하려는 개발자와 데이터 과학자를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• AWS EKS(Elastic Kubernetes 서비스)를 사용하여 온프레미스와 클라우드에서 Kubeflow을 설치하고 구성합니다.
• Docker 컨테이너와 Kubernetes를 기반으로 ML 워크플로를 구축, 배포 및 관리합니다.
• 다양한 아키텍처와 클라우드 환경에서 전체 기계 학습 파이프라인을 실행하세요.
• Kubeflow을 사용하여 Jupyter 노트북을 생성하고 관리합니다.
• 여러 플랫폼에서 ML 훈련, 하이퍼파라미터 튜닝, 워크로드 제공을 구축하세요.

이 강사 주도의 실시간 교육(대한민국 온라인 또는 현장)은 Azure 클라우드에 머신러닝 작업을 배포하길 원하는 엔지니어를 대상으로 합니다.

본 교육이 끝나면 참가자들은 다음과 같은 능력을 갖추게 됩니다:

• Azure에서 Kubernetes, Kubeflow 및 기타 필요한 소프트웨어를 설치하고 구성합니다.
• Azure Kubernetes Service (AKS)를 사용하여 Azure에서 Kubernetes 클러스터의 초기화 작업을 단순화합니다.
• 제작 및 배포 파이프라인을 사용하여 프로덕션 환경에서 머신러닝 모델의 자동화와 관리를 위한 Kuberneres 파이프라인을 생성하고 배포합니다.
• 병렬로 실행되는 여러 GPU와 머신에 TensorFlow 머신러닝 모델을 훈련시키고 배포합니다.
• AWS 관리 서비스를 활용하여 머신러닝 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.

Kubernetes에서의 MLOps는 컨테이너화된 파이프라인과 GitOps 워크플로를 사용하여 머신러닝 모델의 훈련, 검증, 패키징, 배포를 자동화하는 프레임워크입니다.

이 강사 주도의 실시간 교육(온라인 또는 현장)은 중급 수준의 실무자를 대상으로 Kubernetes에서 자동화되고 확장 가능한 MLOps 파이프라인을 구축하기를 원하는 사람들을 위한 것입니다.

이 교육을 마친 후, 참가자들은 다음과 같은 능력을 갖추게 됩니다:

• 머신러닝의 end-to-end CI/CD 파이프라인을 설계합니다.
• 모델 배포 및 버전 관리를 위한 GitOps 워크플로를 구현합니다.
• ML 모델의 훈련, 테스트, 패키징을 자동화합니다.
• 모니터링, 경고, 롤백 전략을 통합합니다.

강의 형식

• 강사 주도의 발표와 기술적인 깊이 있는 설명
• 실제 CI/CD 워크플로를 구축하는 실습
• Kubernetes에 ML 워크로드를 배포하는 실시간 연습

강의 커스터마이징 옵션

• 조직은 내부 MLOps 도구와 인프라에 맞춘 맞춤형 콘텐츠를 요청할 수 있습니다.