MLOps için Docker: Uçtan Uca Boru Hattı Kapsayıcılaştırması Eğitimi

Bu eğitmen liderliğindeki canlı eğitim Türkiye (çevrimiçi veya yerinde), Docker hakkında bilgilerini geliştirip uygulamaları daha büyük ölçekte dağıtmak ve kontrolü elinde tutmak isteyen mühendislere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecek:

• Kendi Docker görüntülerini oluşturabilirler.
• Büyük miktarda Docker uygulamasını dağıtabilir ve yönetebilirler.
• Farklı konteyner orkestrasyon çözümlerini değerlendirebilir ve en uygun olanı seçebilirler.
• Docker uygulamaları için sürekli entegrasyon süreci kurabilirler.
• Docker uygulamalarını mevcut sürekli araç entegrasyon süreçleriyle birleştirebilirler.
• Docker uygulamalarını güvenle koruyabilirler.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Kendi Docker imajlarını oluşturabilecekler.
• Çok sayıda Docker uygulamasını dağıtabilecek ve yönetebilecekler.
• Farklı konteyner düzenleme çözümlerini değerlendirebilecek ve en uygun olanı seçebilecekler.
• Docker uygulamaları için sürekli entegrasyon süreci kurabilecekler.
• Docker uygulamalarını mevcut sürekli entegrasyon araçlarıyla entegre edebilecekler.
• Docker uygulamalarını güvence altına alabilecekler.
• Kubernetes kullanarak aynı küme altında farklı ortamları dağıtabilecek ve yönetebilecekler.
• Kubernetes kümesini güvence altına alabilecek, ölçeklendirebilecek ve izleyebilecekler.

Türkiye (çevrimiçi veya yüz yüze) olarak gerçekleştirilen, eğitmen eşliğinde bu canlı eğitim; DeepSeek model performansını artırmak, gecikmeyi en aza indirmek ve modern MLOps uygulamalarıyla yapay zeka çözümlerini verimli bir şekilde dağıtmak isteyen, orta düzeyden ileri düzeye kadar deneyime sahip ileri seviye yapay zeka mühendisleri ve veri bilimcilerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabileceklerdir:

• Derinlikli modelleri verimlilik, doğruluk ve ölçeklenebilirlik açısından optimize etmek.
• MLOps ve model sürümleme için en iyi uygulamaları hayata geçirmek.
• DeepSeek modellerini bulut ve yerinde (on-premise) altyapılarda dağıtmak.
• Yapay zeka çözümlerini etkin bir şekilde izlemek, bakımlarını yapmak ve ölçeklendirmek.

Docker, Kubernetes ve OpenShift kullanarak containerize ortamları oluşturma, dağıtma ve yönetmeyi öğrenin. Bu beş günlük uygulama ağırlıklı eğitim; container imajları, Kubernetes yükleri, küme ağlaması, depolama, güvenlik, izleme ve pratik OpenShift yönetimini kapsar. Katılımcılar, geliştirme ve üretim ortamlarındaki modern container platformlarını işletmek ve uygulamaları gidermek için gereken becerileri kazanır.

Bu eğitimin (yerinde veya uzaktan) katılımcılar Docker konteynerleri oluşturmayı ve yönetmeyi öğrenecek, ardından bir örnek uygulamayı bir konteyner içinde dağıtımını gerçekleştirecektir. Katılımcılar ayrıca, Kubernetes kümesi içinde kapsayıcılaştırılmış uygulamalarını otomatikleştirmeyi, ölçeklendirmeyi ve yönetmeyi öğreneceklerdir. Son olarak, eğitimin ileri seviye konularına devam ederek, bir Kubernetes kümesinin güvenliğini, ölçeklendirilmesini ve izlenmesini sağlama sürecini ele alacaktır.

Bu eğitimden sonra katılımcılar şunları yapabilecekler:

• Docker konteyneri oluşturup çalıştırmak.
• Kapsayıcılaştırılmış bir sunucu ve web uygulaması dağıtmak.
• Docker imajlarını oluşturmak ve yönetmek.
• Docker ve Kubernetes kümesi kurmak.
• Kubernetes kullanarak bir kümelenmiş web uygulaması dağıtmak ve yönetmek.
• Bir Kubernetes kümesini güvence altına almak, ölçeklendirmek ve izlemek.

Eğitim hedefleri: Docker ve Kubernetes konusunda teorik ve operasyonel beceriler edinmek.

Türkiye ortamında üreteciler tarafından yürütülen bu canlı eğitim (çevrimiçi veya yerinde), Kubernetes üzerinde makine öğrenimi iş akışlarını oluşturmak, dağıtmak ve yönetmek isteyen geliştiricilere ve veri bilimcilerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecek duruma gelecektir:

• Kubeflow'u hem yerinde (on-premise) hem de bulut ortamında kurmak ve yapılandırmak.
• Docker konteynerleri ve Kubernetes tabanlı ML iş akışlarını oluşturmak, dağıtmak ve yönetmek.
• Tüm makine öğrenimi boru hatlarını çeşitli mimarilerde ve bulut ortamlarında çalıştırmak.
• Kubeflow'u Jupyter defterlerini başlatmak ve yönetmek için kullanmak.
• ML eğitimi, hiperparametre ayarı ve sunum (serving) iş yüklerini birden fazla platformda oluşturmak.

Bu eğitmen led, canlı eğitim Türkiye (online veya yerinde) mühendislerin, kendi kuruluşlarında MLOps'ü benimsemeye yönelik doğru yolu seçmek için mevcut yaklaşımları ve araçları değerlendirmelerine yöneliktir.

Bu eğitim sonunda katılımcılar şunları yapabilecektir:

• Çeşitli MLOps çerçevelerini ve araçlarını yükleyip yapılandırmak.
• Bir MLOps sistemi oluşturma ve destekleme için doğru becerilere sahip doğru ekibin oluşturulması.
• ML modelleri tarafından kullanılacak verilerin hazırlanması, doğrulanması ve sürümlenmesi.
• Bir ML Pipeline'ın bileşenlerini anlama ve oluşturma için gereken araçları bilmek.
• Üretime dağıtım için farklı makine öğrenme çerçevelerini ve sunucularını denemek.
• Tutarlı ve bakılabilir şekilde tüm Makine Öğrenmesi sürecinin işletimselleştirilmesi.