MLOps: CI/CD para Aprendizaje Automático

Este curso está diseñado para participantes que están involucrados en el diseño, implementación y gestión de pipelines y cadenas de herramientas DevOps que apoyan la Integración Continua, la Entrega Continua, la Prueba Continua y potencialmente la Implementación Continua. El curso destaca los procesos fundamentales, métricas, API y consideraciones culturales con la Entrega Continua.

Aprenda a optimizar las pruebas, a realizar pruebas más rápido y aún así obtener una buena calidad y un resultado estable y consistente.

Aprende qué es la Ingeniería de DevOps, por qué es importante y cómo se lleva a cabo para el éxito.

El curso comienza con un breve repaso de los principios fundamentales de DevOps y luego pasa a la implementación. Está diseñado desde una perspectiva ingenieril y cubre temas como DevOps en relación con otros marcos, tecnologías,prácticas de diseño de aplicaciones, prácticas de integración continua, entrega y despliegue continuos, prueba continua, infraestructuras elásticas, monitoreo, métricas, observabilidad, gobernanza, aspectos humanos y tendencias futuras de la ingeniería de DevOps.

El curso DevOps Foundation proporciona una comprensión básica de la terminología clave DevOps para garantizar que todos hablen el mismo idioma y destaca los beneficios de DevOps para respaldar el éxito de la organización.

El curso destaca las dinámicas humanas del cambio cultural y equipa a los participantes con prácticas, métodos y herramientas para involucrar a las personas en todo el espectro de DevOps mediante el uso de escenarios y estudios de caso reales. Al completar el curso, los participantes tendrán resultados tangibles que puedan aprovechar al regresar a la oficina, como comprender el Mapeo del Flujo de Valor.

Una introducción a los principios, prácticas y herramientas de gestión del flujo de valor. Diseñado para optimizar el flujo de valor y la realización en los flujos de valor digitales y desarrollar las habilidades de las personas. Los flujos de valor digital incluyen las aplicaciones y servicios de software, además de las plataformas que los soportan, por ejemplo, la infraestructura en la nube o las cadenas de herramientas

Los temas del curso que se tratan incluyen cómo DevSecOps proporciona valor empresarial, la mejora de sus oportunidades de negocio y la mejora del valor corporativo.  Los principios básicos de DevSecOps enseñados pueden respaldar una transformación organizacional, aumentar la productividad, reducir el riesgo y optimizar el uso de recursos.

DevSecOps Practitioner presenta una serie de prácticas para avanzar hacia una comprensión más completa de las prácticas de DevSecOps. Explore los resultados prácticos mediante la búsqueda de la combinación adecuada de personas, la creación de procesos para acelerar el valor y la comparación de las opciones tecnológicas disponibles en la actualidad. Diseñado para organizaciones recientemente transformadas que buscan mejorar las habilidades y el conocimiento de DevSecOps.

Esta capacitación en vivo dirigida por un instructor en Venezuela (en línea o presencial) está dirigida a desarrolladores y científicos de datos que desean crear, implementar y administrar flujos de trabajo de aprendizaje automático en Kubernetes.

Al final de esta formación, los participantes serán capaces de:

• Instale y configure Kubeflow en las instalaciones y en la nube mediante AWS EKS (Elastic Kubernetes Service).
• Cree, implemente y administre flujos de trabajo de ML basados en Docker contenedores y Kubernetes.
• Ejecute canalizaciones completas de aprendizaje automático en diversas arquitecturas y entornos en la nube.
• Uso de Kubeflow para generar y administrar cuadernos de Jupyter Notebook.
• Cree entrenamiento de ML, ajuste de hiperparámetros y entrega de cargas de trabajo en múltiples plataformas.

Este entrenamiento dirigido por un instructor (en línea o en las instalaciones del cliente) está destinado a ingenieros que deseen implementar cargas de trabajo de Aprendizaje Automático en un servidor EC2 de AWS.

Al final de este entrenamiento, los participantes podrán:

• Instalar y configurar Kubernetes, Kubeflow y otros software necesarios en AWS.
• Usar EKS (Elastic Kubernetes Service) para simplificar la inicialización de un clúster de Kubernetes en AWS.
• Crear e implementar una canalización de Kubernetes para automatizar y administrar modelos de ML en producción.
• Entrenar e implementar modelos de ML de TensorFlow en múltiples GPUs y máquinas que funcionan en paralelo.
• Aprovechar otros servicios gestionados por AWS para extender una aplicación de ML.

Esta formación dirigida por un instructor (en línea o presencial) en Venezuela está destinada a ingenieros que deseen implementar cargas de trabajo de Machine Learning en la nube de Azure.

Al final de esta formación, los participantes serán capaces de:

• Instalar y configurar Kubernetes, Kubeflow y otros software necesarios en Azure.
• Usar Azure Kubernetes Service (AKS) para simplificar la inicialización de un clúster de Kubernetes en Azure.
• Crear e implementar una canalización de Kubernetes para automatizar y gestionar modelos de ML en producción.
• Entrenar e implementar modelos de ML de TensorFlow a través de múltiples GPUs y máquinas que funcionan en paralelo.
• Aprovechar otros servicios administrados de AWS para extender una aplicación de ML.

Kubeflow es una plataforma de código abierto diseñada para facilitar la construcción, el entrenamiento y la implementación de cargas de trabajo de aprendizaje automático en Kubernetes.

Este curso dirigido por un instructor (en línea o presencial) está destinado a profesionales de nivel principiante a intermedio que deseen construir flujos de trabajo de ML confiables utilizando Kubeflow.

Al finalizar este entrenamiento, los asistentes adquirirán las habilidades para:

• Navegar por el ecosistema de Kubeflow y sus componentes principales.
• Construir flujos de trabajo reproducibles con Kubeflow Pipelines.
• Ejecutar trabajos de entrenamiento escalables en Kubernetes.
• Implementar modelos de aprendizaje automático de manera eficiente utilizando Kubeflow Serving.

Formato del Curso

• Presentaciones guiadas y discusiones colaborativas.
• Laboratorios prácticos con componentes reales de Kubeflow.
• Ejercicios prácticos para construir flujos de trabajo de ML de extremo a extremo.

Opciones de Personalización del Curso

• Versiones personalizadas de este entrenamiento pueden organizarse para alinearse con la pila tecnológica y los requisitos de proyecto de su equipo.

Esta capacitación en vivo dirigida por un instructor en Venezuela (en línea o presencial) está dirigida a desarrolladores y científicos de datos que desean crear, implementar y administrar flujos de trabajo de aprendizaje automático en Kubernetes.

Al final de esta formación, los participantes serán capaces de:

• Instale y configure Kubeflow en las instalaciones y en la nube.
• Cree, implemente y administre flujos de trabajo de ML basados en Docker contenedores y Kubernetes.
• Ejecute canalizaciones completas de aprendizaje automático en diversas arquitecturas y entornos en la nube.
• Uso de Kubeflow para generar y administrar cuadernos de Jupyter Notebook.
• Cree entrenamiento de ML, ajuste de hiperparámetros y entrega de cargas de trabajo en múltiples plataformas.

Esta capacitación en vivo dirigida por un instructor (en línea o presencial) está dirigida a científicos de datos que desean ir más allá de la creación de modelos de ML y optimizar el proceso de creación, seguimiento e implementación de modelos de ML.

Al final de esta formación, los participantes serán capaces de:

• Instale y configure MLflow y las bibliotecas y marcos de ML relacionados.
• Apreciar la importancia de la trazabilidad, la reproducibilidad y la capacidad de implementación de un modelo de ML
• Implemente modelos de ML en diferentes nubes públicas, plataformas o servidores locales.
• Escale el proceso de implementación de ML para dar cabida a varios usuarios que colaboran en un proyecto.
• Configure un registro central para experimentar, reproducir e implementar modelos de ML.

El curso Fundamentos de SRE (Ingeniería de Fiabilidad del Sitio) es una introducción a los principios y prácticas que permiten a una organización escalar servicios críticos de manera fiable y económica. La incorporación de una dimensión de fiabilidad del sitio requiere un realineamiento organizacional, un nuevo enfoque en la ingeniería y la automatización, y la adopción de una serie de nuevos paradigmas laborales.