Kubeflow on Azure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澳門（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。

這是一個由講師指導的現場培訓，地點在澳門（線上或現場），旨在為中高級專業人士提供使用Microsoft Azure來構建和部署人工智慧驅動的雲端應用程式的技能。

在培訓結束時，參與者將能夠：

• 使用Azure Functions開發事件驅動和無伺服器應用程式。
• 管理Azure的儲存解決方案和虛擬機器。
• 使用Azure App Service和Docker容器部署和擴展網頁應用程式。
• 使用Azure AI Services整合人工智慧、機器學習和自然語言處理。
• 利用GitHub Copilot協助開發人工智慧驅動的雲端應用程式。

這種以講師為主導的澳門現場培訓（現場或遠端）面向希望使用Azure ML的拖放平臺部署Machine Learning工作負載的工程師，而無需購買軟體和硬體，也不必擔心維護和部署。

在培訓結束時，參與者將能夠：

• 使用 Python、R 或零代碼工具編寫高精度的機器學習模型。
• 利用 Azure 的可用數據集和演算法來訓練和跟蹤機器學習和深度學習模型。
• 使用 Azure 的互動式工作區協作開發 ML 模型。
• 從不同的 Azure 支援的 ML 框架中進行選擇，例如 PyTorch、TensorFlow 和 scikit-learn。

Microsoft Azure 基礎結構和部署

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。

這種以講師為主導的澳門現場（現場或遠端）的現場培訓面向 DevOps 希望利用 Azure DevOps 比傳統開發方法更快地構建和部署優化的企業應用程式的工程師、開發人員和項目經理。

在培訓結束時，參與者將能夠：

• 瞭解基本的 DevOps 詞彙和原則。
• 安裝和配置軟體開發所需的 Azure DevOps 工具。
• 利用 Azure DevOps 工具和服務不斷適應市場。
• 在 Azure DevOps 解決方案上構建企業應用程式並評估當前的開發流程。
• 更高效地管理團隊並縮短軟體部署時間。
• 在組織內採用 DevOps 開發實踐。

這種以講師為主導的澳門現場培訓（現場或遠端）針對希望使用Azure Machine Learning構建用於預測分析的端到端機器學習模型的數據科學家。

在培訓結束時，參與者將能夠：

• 構建零程式設計經驗的機器學習模型。
• 使用 Azure Machine Learning 創建預測演算法。
• 部署生產就緒的機器學習演算法。

此講師指導的 澳門（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。

這種以講師為主導的澳門現場培訓（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澳門現場培訓（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。

這種由講師指導的澳門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澳門現場培訓（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。

這種以講師為主導的現場培訓（現場或遠端）針對希望使用Azure Machine Learning和Azure DevOps來促進MLOps實踐的機器學習工程師。

在培訓結束時，參與者將能夠：

• 構建可重現的工作流和機器學習模型。
• 管理機器學習生命週期。
• 跟蹤和報告模型版本歷史記錄、資產等。
• 在任何地方部署生產就緒的機器學習模型。