Kubeflow on GCPのトレーニングコース

このインストラクターによるライブトレーニング（オンラインまたはオンサイト）は、MLモデルを構築するだけでなく、MLモデルの作成、追跡、およびデプロイメントプロセスの最適化を希望するデータサイエンティストを対象としています。

このトレーニングの終了時までに、参加者は以下のことができるようになります：

• MLflowと関連するMLライブラリやフレームワークをインストールし、設定する
。
• MLモデルの追跡可能性、再現可能性、デプロイ可能性の重要性を理解する
。
• MLモデルをさまざまなパブリッククラウド、プラットフォーム、またはオンプレミスのサーバーにデプロイする
。
• MLのデプロイメントプロセスを拡張して、プロジェクトで共同作業する複数のユーザーに対応する
。
• MLモデルの実験、再現、デプロイのための中央レジストリをセットアップする
。

このインストラクターによるライブ・トレーニングは、現在利用可能なアプローチやツールを評価し、組織内でMLOpsを採用するための賢明な決断を下したいエンジニアを対象としています。

このトレーニングの終了時までに、参加者は以下のことができるようになります：

• さまざまなMLOpsフレームワークやツールをインストールし、設定する。
• MLOpsシステムを構築しサポートするために、適切なスキルを持った適切な種類のチームを編成する
。
• MLモデルで使用するデータを準備し、検証し、バージョン管理する
。
• MLパイプラインの構成要素と、構築に必要なツールを理解する
。
• 本番環境にデプロイするために、さまざまな機械学習フレームワークとサーバーを試してみる。
• 機械学習プロセス全体を運用し、再現性と保守性を確保する
。

このインストラクターによるライブトレーニングは、AWS EC2サーバーにワークロードをデプロイしたいエンジニアを対象としています。

このトレーニングの終了時までに、参加者は以下のことができるようになります：

• Kubernetes、Kubeflow、その他必要なソフトウェアをAWS上にインストールし、設定する
。
• EKS（エラスティックKubernetesサービス）を使用して、AWS上のKubernetesクラスタを初期化する作業を簡素化する
。
• 本番環境でMLモデルを自動化し管理するためのKubernetesパイプラインを作成し、デプロイする
。
• 複数のGPUとマシンで並行して動作するTensorFlowMLモデルをトレーニングしてデプロイする。
• 他のAWSマネージドサービスを活用してMLアプリケーションを拡張する
。

このインストラクターによるライブトレーニングは、Azureクラウドにワークロードをデプロイしたいエンジニアを対象としています。

このトレーニングの終了時までに、参加者は以下のことができるようになります：

• Kubernetes、Kubeflow、およびその他の必要なソフトウェアをAzure上にインストールして設定します。
• Azure Kubernetes Service（AKS）を使用して、Azure上のKubernetesクラスターを初期化する作業を簡素化する
。
• 本番環境でMLモデルを自動化および管理するためのKubernetesパイプラインを作成し、デプロイする
。
• 複数のGPUとマシンで並行して動作するTensorFlowMLモデルをトレーニングしてデプロイする
。
• 他のAWSマネージドサービスを活用してMLアプリケーションを拡張する
。

このインストラクターによるライブ・トレーニングは、IBM Cloud Kubernetes Service (IKS) に Machine Learning ワークロードをデプロイしたいエンジニアを対象としています。

このトレーニングの終了時までに、参加者は以下のことができるようになります：

• Kubernetes、Kubeflow、およびその他の必要なソフトウェアをIBM Cloud Kubernetes Service（IKS）にインストールして設定します。
• IKSを使用して、IBM Cloud上でKubernetesクラスターを初期化する作業を簡素化します。
• 本番環境でMLモデルを自動化および管理するためのKubernetesパイプラインを作成し、デプロイする
。
• 複数のGPUとマシンで並行して動作するTensorFlowMLモデルをトレーニングしてデプロイする
。
• MLアプリケーションを拡張するために他のIBM Cloudサービスを活用する
。

このインストラクターによるライブトレーニングは、Kubernetes上で機械学習ワークフローの構築、デプロイ、管理を希望する開発者やデータサイエンティストを対象としています。

このトレーニングの終了時までに、参加者は以下のことができるようになります：

• AWS EKS（Elastic Kubernetes Service）を使用して、オンプレミスおよびクラウド上でKubeflowをインストールおよび設定します。
• DockerコンテナとKubernetesに基づいてMLワークフローを構築、デプロイ、管理する
。
• 多様なアーキテクチャとクラウド環境で機械学習パイプライン全体を実行する
。
• Kubeflowを使用してJupyterノートブックを起動し管理する
。
• MLのトレーニング、ハイパーパラメーターのチューニング、および複数のプラットフォームにわたるワークロードのサービングを構築する
。

このインストラクターによるライブトレーニング（オンラインまたはオンサイト）は、OpenShiftオンプレミスまたはハイブリッドクラウドに機械学習ワークロードをデプロイしたいエンジニアを対象としています。

• このトレーニングの終わりまでに、参加者は以下のことができるようになります:
。
• OpenShiftクラスターにKubernetesとKubeflowをインストールし、設定する
。
• OpenShiftを使用して、Kubernetesクラスターを初期化する作業を簡素化する
。
• 本番環境でMLモデルを自動化・管理するためのKubernetesパイプラインを作成し、デプロイする
。
• 複数のGPUとマシンで並行して動作するTensorFlowMLモデルをトレーニングし、デプロイする
。
• OpenShift内からパブリッククラウドサービス (AWSサービスなど) を呼び出し、MLアプリケーションを拡張する
。

このインストラクターによるライブトレーニングは、Kubernetes上で機械学習ワークフローの構築、デプロイ、管理を希望する開発者やデータサイエンティストを対象としています。

このトレーニングの終了時までに、参加者は以下のことができるようになります：

• Kubeflowをオンプレミスおよびクラウドにインストールし、設定する。
• DockerコンテナとKubernetesに基づくMLワークフローの構築、デプロイ、管理
。
• 多様なアーキテクチャやクラウド環境で機械学習パイプライン全体を実行する
。
• Kubeflowを使用してJupyterノートブックを生成し、管理する
。
• MLのトレーニング、ハイパーパラメーターのチューニング、および複数のプラットフォームにわたるワークロードのサービングを構築する
。