MLOps: CI/CD para Aprendizaje Automático

Este curso está diseñado para participantes involucrados en el diseño, implementación y gestión de pipelines de despliegue y cadenas de herramientas de DevOps que soportan Integración Continua, Entrega Continua, Pruebas Continuas y, potencialmente, Despliegue Continuo. El curso resalta los procesos fundamentales, métricas, APIs y consideraciones culturales asociadas a la Entrega Continua.

Aprenda a optimizar las pruebas para obtener resultados rápidos, con buena calidad y estabilidad consistente.

Aprende qué es la ingeniería DevOps, por qué es importante y cómo se ingenia el éxito en DevOps.

El curso comienza con una breve revisión de los principios fundamentales de DevOps y luego transiciona hacia la implementación de DevOps. Está diseñado desde un punto de vista de ingeniería y cubre temas como DevOps en relación con otros marcos, tecnologías, prácticas de diseño de aplicaciones, prácticas de integración continua, entrega y despliegue continuos, pruebas continuas, infraestructuras elásticas, monitoreo, métricas, observabilidad, gobernanza, aspectos humanos y tendencias futuras de la ingeniería DevOps.

El curso DevOps Foundation proporciona una comprensión básica de la terminología clave de DevOps para asegurar que todos hablen el mismo idioma y resalta los beneficios de DevOps para apoyar el éxito organizacional.

El curso resalta la dinámica humana 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 del mundo real y estudios de caso. Al finalizar el curso, los participantes contarán con resultados concretos para aplicar en su entorno laboral, como la comprensión del Mapeo de Flujo de Valor.

Una introducción a los principios, prácticas y herramientas de la gestión de la cadena de valor. Diseñado para optimizar el flujo y la realización del valor en cadenas de valor digitales y desarrollar las competencias de los profesionales. Las cadenas de valor digitales incluyen aplicaciones de software y servicios, así como las plataformas que las soportan, como infraestructura en la nube o cadenas de herramientas DevOps.

Los temas del curso incluyen cómo DevSecOps aporta valor comercial, mejora las oportunidades de negocio y aumenta el valor corporativo. Los principios fundamentales de DevSecOps enseñados pueden apoyar una transformación organizacional, incrementar la productividad, reducir riesgos y optimizar el uso de recursos.

El curso de Practicante de DevSecOps presenta una variedad de prácticas para avanzar hacia una comprensión más integral de DevSecOps. Explore resultados prácticos mediante la búsqueda de la combinación adecuada de personas, la creación de procesos que aceleren el valor y la comparación de las opciones tecnológicas disponibles actualmente. Diseñado especialmente para organizaciones que han pasado recientemente por transformaciones y buscan mejorar sus habilidades y conciencia en DevSecOps.

Esta formación en vivo, impartida por un instructor en <ubicación> (en línea o presencial), está dirigida a desarrolladores y científicos de datos que desean construir, desplegar y gestionar flujos de trabajo de machine learning en Kubernetes.

Al finalizar esta formación, los participantes serán capaces de:

• Instalar y configurar Kubeflow en entornos on-premise y en la nube utilizando AWS EKS (Elastic Kubernetes Service).
• Construir, desplegar y gestionar flujos de trabajo de ML basados en contenedores Docker y Kubernetes.
• Ejecutar pipelines completos de machine learning en diversas arquitecturas y entornos de nube.
• Utilizar Kubeflow para generar y gestionar notebooks de Jupyter.
• Crear cargas de trabajo de entrenamiento de ML, ajuste de hiperparámetros y servicio en múltiples plataformas.

Esta capacitación en vivo, impartida por un instructor en Colombia (en línea o en sitio), está dirigida a ingenieros que deseen desplegar cargas de trabajo de aprendizaje automático en un servidor AWS EC2.

Al finalizar esta capacitación, los participantes serán capaces de:

• Instalar y configurar Kubernetes, Kubeflow y otro software necesario en AWS.
• Utilizar EKS (Elastic Kubernetes Service) para simplificar la tarea de inicializar un clúster de Kubernetes en AWS.
• Crear y desplegar un pipeline de Kubernetes para automatizar y gestionar modelos de aprendizaje automático en producción.
• Entrenar y desplegar modelos de aprendizaje automático de TensorFlow en múltiples GPUs y máquinas ejecutándose en paralelo.
• Aprovechar otros servicios administrados de AWS para extender una aplicación de aprendizaje automático.

Este entrenamiento presencial, impartido por un instructor en Colombia (en línea o in situ), está dirigido a ingenieros que deseen desplegar cargas de trabajo de aprendizaje automático en la nube de Azure.

Al finalizar este entrenamiento, los participantes serán capaces de:

• Instalar y configurar Kubernetes, Kubeflow y otros software necesarios en Azure.
• Utilizar Azure Kubernetes Service (AKS) para simplificar la tarea de inicializar un clúster de Kubernetes en Azure.
• Crear y desplegar una tubería de Kubernetes para automatizar y gestionar modelos de aprendizaje automático en producción.
• Entrenar y desplegar modelos de aprendizaje automático de TensorFlow en múltiples GPU y máquinas ejecutándose en paralelo.
• Aprovechar otros servicios administrados de AWS para extender una aplicación de aprendizaje automático.

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

Esta capacitación impartida por un instructor, en vivo (en línea o en el sitio), está dirigida a profesionales de nivel principiante a intermedio que deseen crear flujos de trabajo de ML confiables utilizando Kubeflow.

Al finalizar esta capacitación, 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.
• Servir modelos de aprendizaje automático de manera eficiente mediante 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

• Se pueden organizar versiones personalizadas de esta capacitación para alinearlas con la pila tecnológica y los requisitos de proyectos de su equipo.

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

Al finalizar esta capacitación, los participantes podrán:

• Instalar y configurar Kubeflow tanto en entornos locales (on-premise) como en la nube.
• Construir, implementar y gestionar flujos de trabajo de ML basados en contenedores Docker y Kubernetes.
• Ejecutar pipelines completos de aprendizaje automático en diversas arquitecturas y entornos en la nube.
• Utilizar Kubeflow para crear y gestionar notebooks de Jupyter.
• Desarrollar cargas de trabajo de entrenamiento de ML, ajuste de hiperparámetros y servicios en múltiples plataformas.

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

Al finalizar esta capacitación, los participantes serán capaces de:

• Instalar y configurar MLflow, así como las bibliotecas y frameworks relacionados con ML.
• Comprender la importancia de la trazabilidad, reproducibilidad y capacidad de implementación de un modelo de ML.
• Implementar modelos de ML en diversas nubes públicas, plataformas o servidores locales.
• Escalar el proceso de implementación de ML para soportar la colaboración de múltiples usuarios en un proyecto.
• Configurar un registro central para experimentar, reproducir e implementar modelos de ML.

El curso Fundamentos de Ingeniería de Confiabilidad del Sitio (SRE) es una introducción a los principios y prácticas que permiten a una organización escalar de manera confiable y económica servicios críticos. Introducir una dimensión de confiabilidad del sitio requiere una realineación organizacional, un nuevo enfoque en la ingeniería y la automatización, así como la adopción de una variedad de nuevos paradigmas de trabajo.