Kubeflow on GCP 교육 과정

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 배포하세요.
• 여러 사용자가 프로젝트에서 공동 작업할 수 있도록 ML 배포 프로세스를 확장합니다.
• ML 모델을 실험, 재현, 배포하기 위한 중앙 레지스트리를 설정합니다.

대한민국에서 진행되는 이 실시간 교육(온라인 또는 현장)은 현재 사용할 수 있는 접근 방식과 도구를 평가하여 조직 내에서 MLOps을 채택하는 과정에서 현명한 결정을 내리려는 엔지니어를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• 다양한 MLOps 프레임워크와 도구를 설치하고 구성합니다.
• MLOps 시스템을 구축하고 지원하는 데 적합한 기술을 갖춘 올바른 종류의 팀을 구성하십시오.
• ML 모델에서 사용할 데이터를 준비, 검증 및 버전화합니다.
• ML 파이프라인의 구성요소와 이를 구축하는 데 필요한 도구를 이해합니다.
• 프로덕션에 배포하기 위해 다양한 기계 학습 프레임워크와 서버를 실험해 보세요.
• 재현 및 유지 관리가 가능하도록 전체 기계 학습 프로세스를 운영화합니다.

대한민국에서 진행되는 이 실시간 교육(온라인 또는 현장)은 Machine Learning 워크로드를 AWS EC2 서버에 배포하려는 엔지니어를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• AWS에 Kubernetes, Kubeflow 및 기타 필요한 소프트웨어를 설치하고 구성합니다.
• EKS(Elastic Kubernetes Service)를 사용하여 AWS에서 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.

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.

대한민국에서 진행되는 이 실시간 교육(온라인 또는 현장)은 Machine Learning 워크로드를 IBM Cloud Kubernetes Service(IKS)에 배포하려는 엔지니어를 대상으로 합니다.

이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.

• IBM Cloud Kubernetes Service(IKS)에 Kubernetes, Kubeflow 및 기타 필요한 소프트웨어를 설치하고 구성하십시오.
• IKS를 사용하여 IBM Cloud에서 Kubernetes 클러스터 초기화 작업을 단순화하세요.
• 프로덕션에서 ML 모델을 자동화하고 관리하기 위한 Kubernetes 파이프라인을 생성하고 배포합니다.
• 병렬로 실행되는 여러 GPU 및 머신에서 ML 모델을 훈련하고 배포합니다.
• 다른 IBM Cloud 서비스를 활용하여 ML 애플리케이션을 확장하세요.

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 Service)를 사용하여 온프레미스 및 클라우드에 Kubeflow을 설치하고 구성합니다.
• Docker 컨테이너와 Kubernetes를 기반으로 ML 워크플로를 구축, 배포, 관리하세요.
• 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 강사가 진행하는 실시간 교육(온라인 또는 현장)은 기계 학습 워크로드를 온프레미스 또는 하이브리드 클라우드에 배포하려는 엔지니어를 대상으로 합니다.

• 이 교육이 끝나면 참가자는 다음을 수행할 수 있습니다.
• OpenShift 클러스터에 Kubernetes 및 Kubeflow를 설치하고 구성합니다.
• OpenShift를 사용하여 Kubernetes 클러스터 초기화 작업을 단순화하세요.
• 프로덕션에서 ML 모델을 자동화하고 관리하기 위한 Kubernetes 파이프라인을 생성하고 배포합니다.
• 병렬로 실행되는 여러 GPU 및 머신에서 ML 모델을 훈련하고 배포합니다.
• OpenShift 내에서 퍼블릭 클라우드 서비스(예: AWS 서비스)를 호출하여 ML 애플리케이션 확장

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.

• 온프레미스 및 클라우드에 Kubeflow를 설치하고 구성합니다.
• Docker 컨테이너 및 Kubernetes를 기반으로 ML 워크플로를 구축, 배포 및 관리합니다.
• 다양한 아키텍처와 클라우드 환경에서 전체 기계 학습 파이프라인을 실행하세요.
• Kubeflow를 사용하여 Jupyter 노트북을 생성하고 관리합니다.
• 여러 플랫폼에서 ML 훈련, 하이퍼파라미터 튜닝, 워크로드 제공을 구축하세요.