MLOps for Azure Machine Learning培訓

此针对具有中级至高级经验的高级人工智能工程师和数据科学家的香港（在线或现场）培训课程旨在通过现代MLOps实践有效地提高DeepSeek模型性能、降低延迟和部署人工智能解决方案。

培训结束时，参与者将能够：

• 优化效率、准确性和可伸缩性的DeepSeek模型。
• 实施MLOps和模型版本控制的最佳实践。
• 在云端和本地基础设施上部署DeepSeek模型。
• 有效监控、维护和扩展人工智能解决方案。

該培訓允許代表提高他們的 Microsoft Azure 解決方案設計技能。

在本次培訓之後，學員將瞭解 Azure 服務的特性和功能，以便能夠識別權衡，並做出設計公共雲和混合雲解決方案的決策。

在培訓期間，將定義適當的基礎設施和平台解決方案，以滿足整個解決方案生命週期中所需的功能、操作和部署要求。

此講師指導的 香港（在線或現場）實時培訓面向希望學習如何在 Microsoft Azure Service Fabric （ASF） 上構建微服務的開發人員。

在培訓結束時，參與者將能夠：

• 使用 ASF 作為構建和管理微服務的平臺。
• 了解關鍵的微服務程式設計概念和模型。
• 在 Azure 中創建集群。
• 在本地或雲中部署微服務。
• 對即時微服務應用程式進行調試和故障排除。

Azure Bot服務結合了Microsoft Bot Framework和Azure功能的強大功能，可實現智能機器人的快速開發。

在這個由講師指導的實時培訓中，參與者將學習如何使用Microsoft Azure輕鬆創建智能機器人

在培訓結束時，參與者將能夠：

• 了解智能機器人的基礎知識
• 了解如何使用雲應用程序創建智能機器人
• 了解如何使用Microsoft Bot Framework，Bot Builder SDK和Azure Bot服務
• 了解如何使用bot模式設計機器人
• 使用Microsoft Azure開發他們的第一個智能機器人

聽眾

• 開發商
• 愛好者
• 工程師
• IT專業人士

課程形式

• 部分講座，部分討論，練習和繁重的實踐練習

在這個由講師指導的香港（現場或遠端）現場培訓中，參與者將 學習 Microsoft Azure的基本概念，元件和服務，因為他們逐步創建了示例雲應用程式。

在培訓結束時，參與者將能夠：

• 瞭解 Microsoft Azure 的基礎知識
• 瞭解不同的 Azure 工具和服務
• 瞭解如何使用 Azure 構建雲應用程式

Internet of Things (IoT) 是一種網路基礎設施，它以無線方式連接物理對象和軟體應用程式，使它們能夠通過網路通信、雲計算和數據捕獲相互通信並交換數據。Azure 是一套全面的雲服務，它提供了一個物聯網套件，由預配置的解決方案組成，可幫助開發人員加速物聯網項目的開發。

在這個以講師為主導的現場培訓中，參與者將學習如何使用 Azure 開發物聯網應用程式。

在培訓結束時，參與者將能夠：

• 瞭解IoT架構的基礎知識
• 安裝和配置 Azure IoT 套件
• 瞭解在物聯網系統程式設計中使用 Azure 的好處
• 實現各種 Azure IoT 服務（IoT 中心、Functions、流分析、Power BI、Cosmos DB、DocumentDB、IoT 設備 Management）
• 使用 Azure 構建、測試、部署IoT系統並對其進行故障排除

觀眾

• 開發人員
• 工程師

課程形式

• 部分講座，部分討論，練習和大量的實踐練習

注意

• 如需申請此課程的定製培訓，請聯繫我們進行安排。

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：

• 使用 AWS EKS（彈性 Kubernetes 服務）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。

在這個由講師指導的香港現場培訓（現場或遠端）中，參與者將學習如何在AKS上使用Kubernetes設置和管理生產規模的容器環境。 

在培訓結束時，參與者將能夠：

• 在 AKS 上配置和管理 Kubernetes。
• 部署、管理和縮放 Kubernetes 集群。
• 在 Azure 上部署容器化 （Docker） 應用程式。
• 將現有 Kubernetes 環境從本地遷移到 AKS 雲。
• 將 Kubernetes 與第三方持續集成 （CI） 軟體集成。
• 確保 Kubernetes 中的高可用性和災難恢復。

這種以講師為主導的現場培訓（現場或遠端）針對的是希望超越構建ML模型並優化ML模型創建，跟蹤和部署過程的數據科學家。

在培訓結束時，參與者將能夠：

• 安裝和配置 MLflow 以及相關的 ML 庫和框架。
• 瞭解 ML 模型的可跟蹤性、可再現性和可部署性的重要性
• 將 ML 模型部署到不同的公有雲、平臺或本地伺服器。
• 擴展 ML 部署過程，以適應在專案上進行協作的多個使用者。
• 設置中央註冊表以試驗、複製和部署ML模型。

這種以講師為主導的香港現場培訓（現場或遠端）針對的是希望評估當今可用的方法和工具的工程師，以便就在其組織內採用MLOps的前進道路做出明智的決定。

在培訓結束時，參與者將能夠：

• 安裝和配置各種 MLOps 框架和工具。
• 組建一支具有正確技能的正確團隊，以構建和支援 MLOps 系統。
• 準備、驗證和版本控制數據以供ML模型使用。
• 瞭解 ML 管道的元件以及構建管道所需的工具。
• 嘗試使用不同的機器學習框架和伺服器進行部署到生產環境。
• 操作整個 Machine Learning 過程，使其可複製和維護。