Kubeflow培訓

這種以講師為主導的香港現場培訓（現場或遠端）面向希望在Kubernetes上構建，部署和管理機器學習工作流的開發人員和數據科學家。

在培訓結束時，參與者將能夠：

• 在本地和雲端安裝和配置 Kubeflow。
• 基於 Docker 個容器和 Kubernetes 構建、部署和管理 ML 工作流。
• 在不同的架構和雲環境中運行整個機器學習管道。
• 使用 Kubeflow 生成和管理 Jupyter 筆記本。
• 跨多個平台構建 ML 訓練、超參數調優併為工作負載提供服務。

這種由講師指導的香港現場現場培訓面向希望將Machine Learning工作負載部署到AWS EC2伺服器的工程師。

在培訓結束時，參與者將能夠：

• 在 AWS 上安裝和配置 Kubernetes、Kubeflow 和其他需要的軟體。
• 使用 EKS（Elastic Kubernetes Service）簡化在 AWS 上初始化 Kubernetes 集群的工作。
• 創建和部署 Kubernetes 管道，用於在生產環境中自動執行和管理 ML 模型。
• 在多個並行運行的 GPU 和機器上訓練和部署 TensorFlow ML 模型。
• 利用其他 AWS 託管服務來擴展 ML 應用程式。

這種由講師指導的香港現場培訓（現場或遠端）面向希望將Machine Learning工作負載部署到Azure雲的工程師。

在培訓結束時，參與者將能夠：

• 在 Azure 上安裝和配置 Kubernetes、Kubeflow 和其他所需的軟體。
使用 Azure Kubernetes
• 服務 （AKS） 簡化在 Azure 上初始化 Kubernetes 群集的工作。
• 創建和部署 Kubernetes 管道，用於在生產環境中自動執行和管理 ML 模型。
• 在多個並行運行的 GPU 和機器上訓練和部署 TensorFlow ML 模型。
• 利用其他 AWS 託管服務來擴展 ML 應用程式。

這種由講師指導的香港現場培訓（現場或遠端）面向希望將Machine Learning工作負載部署到Google雲平臺（GCP）的工程師。

在培訓結束時，參與者將能夠：

• 在 GCP 和 GKE 上安裝和配置 Kubernetes、Kubeflow 和其他需要的軟體。
• 使用 GKE（Kubernetes Kubernetes Engine）簡化在 GCP 上初始化 Kubernetes 集群的工作。
• 創建和部署 Kubernetes 管道，用於在生產環境中自動執行和管理 ML 模型。
• 在多個 GPU 和並行運行的機器上訓練和部署 TensorFlow ML 模型。
• 利用其他 GCP 服務來擴展 ML 應用程式。

這種由講師指導的香港現場（現場或遠端）現場培訓面向希望將Machine Learning工作負載部署到IBM Cloud Kubernetes Service（IKS）的工程師。

在培訓結束時，參與者將能夠：

• 在 IBM Cloud Kubernetes Service （IKS） 上安裝和配置 Kubernetes、Kubeflow 和其他所需的軟體。
• 使用 IKS 簡化在 IBM Cloud 上初始化 Kubernetes 集群的工作。
• 創建和部署 Kubernetes 管道，用於在生產環境中自動執行和管理 ML 模型。
• 在多個並行運行的 GPU 和機器上訓練和部署 TensorFlow ML 模型。
• 利用其他 IBM Cloud 服務來擴展 ML 應用程式。

這種以講師為主導的現場培訓（現場或遠端）面向希望將Machine Learning工作負載部署到OpenShift本地或混合雲的工程師。

• 在培訓結束時，參與者將能夠：
• 在 OpenShift 集群上安裝和配置 Kubernetes 和 Kubeflow。
• 使用 OpenShift 可以簡化初始化 Kubernetes 集群的工作。
• 創建和部署 Kubernetes 管道，用於在生產環境中自動化和管理 ML 模型。
• 在多個 GPU 和並行運行的計算機上訓練和部署 TensorFlow 個 ML 模型。
• 從內部調用公有雲服務（例如 AWS 服務）OpenShift 以擴展 ML 應用程式。