Curso de MLOps: CI/CD para Aprendizado de Máquina

Este curso é projetado para participantes envolvidos no design, implementação e gerenciamento de pipelines e cadeias de ferramentas DevOps que suportam Integração Contínua, Entrega Contínua, Testes Contínuos e potencialmente Deploy Contínuo. O curso destaca os processos subjacentes, métricas, APIs e considerações culturais relacionadas à Entrega Contínua.

Saiba como otimizar os testes, para testar mais rapidamente e, ainda assim, obter uma boa qualidade e um resultado estável e consistente.

Aprenda o que é DevOps Engineering, por que a engenharia de DevOps é importante e como a engenharia de DevOps é planejada para o sucesso.

O curso começa com uma breve revisão dos princípios fundamentais da DevOps e depois passa à implementação da DevOps. É projetado do ponto de vista de engenharia e aborda tópicos como a DevOps em relação a outros frameworks, tecnologias, práticas de design de aplicativos, práticas de integração contínua, entrega e implantação contínuas, testes contínuos, infraestruturas elásticas, monitoramento, métricas, observabilidade, governança, aspectos humanos e tendências futuras da engenharia DevOps.

O curso DevOps Foundation proporciona uma compreensão básica da terminologia chave do DevOps para garantir que todos falam a mesma língua e destaca os benefícios do DevOps para apoiar o sucesso organizacional.

O curso destaca as dinâmicas humanas de mudança cultural e equipa os participantes com práticas, métodos e ferramentas para envolver pessoas em todo o espectro DevOps através do uso de cenários e estudos de caso da vida real. Ao final do curso, os participantes terão resultados tangíveis para aproveitar quando retornarem ao escritório, como compreender a Mapeamento de Fluxo de Valor.

Uma introdução aos princípios, práticas e ferramentas da gestão do fluxo de valor. Concebida para otimizar o fluxo de valor e a realização em fluxos de valor digital e desenvolver as competências dos indivíduos. Os fluxos de valor digital incluem as aplicações e serviços de software, para além das plataformas que os suportam, por exemplo, infra-estruturas de nuvem ou cadeias de ferramentas DevOps

Os princípios fundamentais do DevSecOps ensinados podem apoiar uma transformação organizacional, aumentar a produtividade, reduzir o risco e otimizar a utilização de recursos.

O DevSecOps Practitioner apresenta uma gama de práticas para avançar para uma compreensão mais abrangente das práticas DevSecOps. Explore os resultados práticos através da procura da combinação certa de pessoas, da criação de processos para acelerar o valor e da comparação das opções tecnológicas disponíveis atualmente. Adaptado para organizações recentemente transformadas que procuram melhorar as competências e a consciencialização do DevSecOps.

Esse treinamento ao vivo conduzido por instrutor em Brasil (no local ou remoto) é destinado a desenvolvedores e cientistas de dados que desejam criar, implantar e gerenciar fluxos de trabalho de aprendizado de máquina em Kubernetes.

Ao final deste treinamento, os participantes serão capazes de:

• Instalar e configurar Kubeflow no local e na nuvem usando o AWS EKS (Elastic Kubernetes Service).
• Crie, implante e gerencie fluxos de trabalho de ML com base em contêineres Docker e Kubernetes.
• Executar pipelines de aprendizagem automática completos em diversas arquitecturas e ambientes de nuvem.
• Usando Kubeflow para gerar e gerenciar notebooks Jupyter.
• Criar treinamento de ML, ajuste de hiperparâmetros e servir cargas de trabalho em várias plataformas.

Este treinamento presencial, conduzido por instrutor (online ou local), é voltado para engenheiros que desejam implantar cargas de trabalho de Machine Learning em um servidor AWS EC2.

Ao final deste treinamento, os participantes serão capazes de:

• Instalar e configurar Kubernetes, Kubeflow e outros softwares necessários no AWS.
• Usar EKS (Elastic Kubernetes Service) para simplificar a inicialização de um cluster do Kubernetes no AWS.
• Criar e implantar um pipeline do Kubernetes para automatizar e gerenciar modelos de ML em produção.
• Treinar e implantar modelos de ML do TensorFlow em múltiplas GPUs e máquinas executando em paralelo.
• Leverage outros serviços gerenciados pela AWS para estender um aplicativo de ML.

Este treinamento dirigido por instrutor (online ou presencial) é destinado a engenheiros que desejam implantar cargas de trabalho de Machine Learning na nuvem Azure.

Ao final deste treinamento, os participantes serão capazes de:

• Instalar e configurar o Kubernetes, Kubeflow e outros softwares necessários no Azure.
• Usar o Azure Kubernetes Service (AKS) para simplificar a inicialização de um cluster do Kubernetes no Azure.
• Criar e implantar um pipeline do Kubernetes para automatizar e gerenciar modelos de ML em produção.
• Treinar e implantar modelos de ML do TensorFlow em múltiplos GPUs e máquinas executando em paralelo.
• Aproveitar outros serviços gerenciados da AWS para estender um aplicativo de ML.

Kubeflow é uma plataforma de código aberto projetada para facilitar a construção, treinamento e implantação de cargas de trabalho de aprendizado de máquina no Kubernetes.

Este treinamento conduzido por instrutor (online ou presencial) é voltado para profissionais de nível iniciante a intermediário que desejam construir fluxos de trabalho confiáveis de ML usando Kubeflow.

Ao final deste treinamento, os participantes adquirirão as habilidades para:

• Navegar no ecossistema do Kubeflow e nos componentes principais.
• Construir fluxos de trabalho reproduzíveis com Kubeflow Pipelines.
• Executar trabalhos de treinamento escaláveis no Kubernetes.
• Servir modelos de aprendizado de máquina eficientemente usando Kubeflow Serving.

Formato do Curso

• Apresentações guiadas e discussões colaborativas.
• Laboratórios práticos com componentes reais do Kubeflow.
• Exercícios práticos para construir fluxos de trabalho de ML de ponta a ponta.

Opções de Personalização do Curso

• Versões personalizadas deste treinamento podem ser organizadas para se alinharem com a pilha tecnológica e os requisitos de projeto da sua equipe.

Esse treinamento ao vivo conduzido por instrutor em Brasil (no local ou remoto) é destinado a desenvolvedores e cientistas de dados que desejam criar, implantar e gerenciar fluxos de trabalho de aprendizado de máquina em Kubernetes.

Ao final deste treinamento, os participantes serão capazes de:

• Instalar e configurar Kubeflow no local e na nuvem.
• Crie, implante e gerencie fluxos de trabalho de ML com base em contêineres Docker e Kubernetes.
• Executar pipelines de aprendizado de máquina inteiros em diversas arquiteturas e ambientes de nuvem.
• Usando Kubeflow para gerar e gerenciar notebooks Jupyter.
• Criar treinamento de ML, ajuste de hiperparâmetros e servir cargas de trabalho em várias plataformas.

Este treinamento ao vivo conduzido por instrutor (no local ou remoto) é destinado a cientistas de dados que desejam ir além da construção de modelos de ML e otimizar o processo de criação, rastreamento e implantação de modelos de ML.

No final deste treinamento, os participantes serão capazes de:

• Instalar e configurar MLflow e bibliotecas e estruturas de ML relacionadas.
• Apreciar a importância da rastreabilidade, reprodutibilidade e implantação de um modelo de ML
• Implantar modelos de ML em diferentes nuvens públicas, plataformas ou servidores locais.
• Dimensionar o processo de implementação de ML para acomodar vários utilizadores que colaboram num projeto.
• Criar um registo central para experimentar, reproduzir e implementar modelos de ML.

O curso SRE (Site Reliability Engineering) Foundation é uma introdução aos princípios e práticas que permitem a uma organização dimensionar criticamente serviços de forma confiável e econômica. A introdução de uma dimensão de confiabilidade do site requer um realinhamento organizacional, um novo foco em engenharia e automação e a adoção de uma série de novos paradigmas de trabalho.