Azure Machine Learning için MLOps Eğitimi

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), modern MLOps uygulamalarını kullanarak DeepSeek model performansını artırmak, gecikmeyi en aza indirmek ve yapay zeka çözümlerini verimli bir şekilde dağıtmak isteyen ileri düzey yapay zeka mühendisleri ve orta ile ileri düzey deneyime sahip veri bilimcilerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Verimlilik, doğruluk ve ölçeklenebilirlik için DeepSeek modelleri optimize etmek.
• MLOps ve model sürümleme için en iyi uygulamaları uygulamak.
• DeepSeek modellerini bulut ve şirket içi altyapıya dağıtmak.
• Yapay zeka çözümlerini etkili bir şekilde izlemek, sürdürmek ve ölçeklendirmek.

Bu eğitim, katılımcıların Microsoft Azure çözüm tasarım becerilerini geliştirmelerine olanak tanır.

Eğitimden sonra katılımcılar, Azure hizmetlerinin özellikleri ve yeteneklerini anlayacak, faydaları karşılaştırmayı ve kamu ve karma bulut çözümleri için tasarım kararları almayı öğrenecektir.

Eğitimin boyunca, çözüm yaşam döngüsü boyunca işlevsel, operasyonel ve dağıtım gereksinimlerini karşılayan uygun altyapı ve platform çözümleri belirlenecektir.

Bu eğitmen yönetimi, Türkiye (çevrimiçi veya yerel) içinde gerçekleştirilir ve Microsoft Azure Service Fabric (ASF) üzerinde mikrohizmetler oluşturma konusunda bilgi edinmek isteyen geliştiricilere yöneliktir.

Bu eğitim sonunda katılımcılar şunları yapabilecektir:

• ASF'yi mikrohizmetler oluşturmak ve yönetmek için bir platform olarak kullanın.
• Mikrohizmetler programlama kavramlarını ve modellerini anlayın.
• Azure'da bir küme oluşturma.
• Mikrohizmetleri yerel veya bulutta dağıtma.
• Yaşayan bir mikrohizmet uygulamasını hata ayıklama ve sorun giderme.

Azure Bot Hizmeti, Microsoft Bot Framework ve Azure işlevlerinin gücünü birleştirerek akıllı botların hızlı bir şekilde geliştirilmesini sağlar.

Bu eğitmen liderliğindeki canlı eğitimde katılımcılar, Microsoft Azure kullanarak akıllı bir botu nasıl kolayca oluşturacaklarını öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Akıllı botların temellerini öğrenmek
• Cloud uygulamalarını kullanarak akıllı botlar nasıl oluşturulacağını öğrenmek
• Microsoft Bot Framework, Bot Builder SDK ve Azure Bot Hizmeti'ni nasıl kullanacaklarını anlayabilmek
• Bot desenleri kullanarak botları nasıl tasarlayacaklarını anlamak
• Microsoft Azure kullanarak ilk akıllı botunu geliştirmek

Hedef Kitle

• Geliştiriciler
• Akıl hocaları
• Mühendisler
• IT Uzmanları

Kurs Formatı

• Soru-ceva, tartışmalar, alıştırmalar ve yoğun uygulamalı çalışmalardan oluşan bir format

Bu eğitmen yönetilen canlı eğitimde (yerel veya uzaktan), katılımcılar örnek bir bulut uygulamasının oluşturulması aşamalarında Microsoft Azure'ın temel kavramlarını, bileşenlerini ve hizmetlerini öğrenecekler.

Eğitim sonunda, katılımcılar şunları yapabilecektir:

• Microsoft Azure'ın temel kavramlarını anlayacaklar
• Farklı Azure araçlarını ve hizmetlerini anlayacaklar
• Bulut uygulamalarının oluşturulması için Azure'u nasıl kullanacakları öğrenecekler

Internet of Things (IoT), fiziksel nesneleri ve yazılım uygulamalarını kablosuz olarak bağlayan, böylece birbirleriyle iletişim kurmalarını ve ağ iletişimi, bulut bilişim ve veri yakalama yoluyla veri alışverişinde bulunmalarını sağlayan bir ağ altyapısıdır. Azure, geliştiricilerin IoT projelerinin geliştirilmesini hızlandırmasına yardımcı olan önceden yapılandırılmış çözümlerden oluşan bir IoT Paketi sunan kapsamlı bir bulut hizmetleri kümesidir.

Bu eğitmen liderliğindeki canlı eğitimde katılımcılar, Azure kullanarak IoT uygulamaları geliştirmeyi öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• IoT mimarisinin temellerini anlayabilmek
• Azure IoT Paketi'ni kurmak ve yapılandırmak
• IoT sistemlerini programlamada Azure'nin faydalarını öğrenmek
• Çeşitli Azure IoT hizmetlerini (IoT Hub, Functions, Stream Analytics, Power BI, Cosmos DB, DocumentDB, IoT Device Management) uygulamak
• Azure kullanarak bir IoT sistemini oluşturmak, test etmek, dağıtmak ve sorun gidermek

Hedef Kitle

• Geliştiriciler
• Mühendisler

Kurs Formatı

• Kısmen ders anlatımı, kısmen tartışma, egzersizler ve yoğun uygulamalı çalışma

Not

• Bu kurs için özelleştirilmiş bir eğitim talep etmek için lütfen bizimle iletişime geçerek düzenleme yapabilirsiniz.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), Kubernetes üzerinde makine öğrenimi iş akışları oluşturmak, dağıtmak ve yönetmek isteyen geliştiriciler ve veri bilimcilerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• AWS EKS (Elastic Kubernetes Service) kullanarak Kubeflow'i şirket içinde ve bulutta kurmak ve yapılandırmak.
• Docker kapsayıcıları ve Kubernetes kullanarak makine öğrenimi iş akışları oluşturmak, dağıtmak ve yönetmek.
• Tüm makine öğrenimi işlem hatlarını çeşitli mimariler ve bulut ortamlarında çalıştırmak.
• Kubeflow kullanarak Jupyter not defterleri oluşturmak ve yönetmek.
• Çoklu platformlar üzerinde makine öğrenimi eğitimi, hiperparametre ayarlama ve sunum iş yükleri oluşturmak.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), Machine Learning iş yüklerini bir AWS EC2 sunucusuna dağıtmak isteyen mühendislere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Kubernetes, Kubeflow ve diğer gerekli yazılımları AWS üzerinde kurmak ve yapılandırmak.
• EKS (Elastic Kubernetes Service) kullanarak bir Kubernetes kümesini AWS üzerinde başlatma işini basitleştirmek.
• Üretimde ML modellerini otomatikleştirmek ve yönetmek için bir Kubernetes hattı oluşturmak ve dağıtmak.
• Çoklu GPU’ler ve paralel çalışan makineler üzerinde TensorFlow ML modellerini eğitmek ve dağıtmak.
• Bir ML uygulamasını genişletmek için diğer AWS yönetilen hizmetlerinden yararlanmak.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), Machine Learning iş yüklerini Azure bulutuna dağıtmak isteyen mühendislere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Azure üzerine Kubernetes, Kubeflow ve diğer gerekli yazılımları kurmak ve yapılandırmak.
• Azure Kubernetes Hizmeti (AKS) kullanarak Azure üzerinde bir Kubernetes kümesi başlatma işlemini basitleştirmek.
• Üretimde ML modellerini otomatikleştirmek ve yönetmek için bir Kubernetes hattı oluşturmak ve dağıtmak.
• TensorFlow ML modellerini paralel çalışan çoklu GPU ve makineler üzerinde eğitmek ve dağıtmak.
• Bir ML uygulamasını genişletmek için diğer AWS yönetilen hizmetlerinden yararlanmak.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), Kubernetes üzerinde makine öğrenimi iş akışları oluşturmak, dağıtmak ve yönetmek isteyen geliştiriciler ve veri bilimcilerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Kubeflow'yı şirket içinde ve bulutta kurmak ve yapılandırmak.
• Docker kapsayıcıları ve Kubernetes temelinde ML iş akışları oluşturmak, dağıtmak ve yönetmek.
• Tüm makine öğrenimi işlem hatlarını çeşitli mimariler ve bulut ortamlarında çalıştırmak.
• Kubeflow'yı kullanarak Jupyter not defterleri oluşturmak ve yönetmek.
• Çoklu platformlar üzerinde ML eğitimi, hiperparametre ayarlama ve hizmet iş yükleri oluşturmak.

Bu eğitmen liderliğindeki, canlı eğitimde (Türkiye – çevrimiçi veya yerinde), katılımcılar Kubernetes kullanarak AKS üzerinde üretim ölçekli bir kapsayıcı ortamının nasıl kurulacağını ve yönetileceğini öğreneceklerdir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• AKS üzerinde Kubernetes'yi yapılandırıp yönetmek.
• Kubernetes kümesini dağıtmak, yönetmek ve ölçeklendirmek.
• Azure üzerinde kapsayıcılaştırılmış (Docker) uygulamaları dağıtmak.
• Mevcut Kubernetes ortamını şirket içi ortamdan AKS bulutuna taşımak.
• Kubernetes'yi üçüncü taraf sürekli entegrasyon (CI) yazılımıyla entegre etmek.
• Kubernetes'de yüksek kullanılabilirlik ve felaket kurtarma sağlamak.

Bu eğitmen liderliğindeki, canlı eğitim (çevrimiçi veya yerinde), yalnızca ML modelleri oluşturmanın ötesine geçmek ve ML modeli oluşturma, izleme ve dağıtım sürecini optimize etmek isteyen veri bilimcilerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• MLflow ve ilgili ML kütüphanelerini ve çerçevelerini kurmak ve yapılandırmak.
• Bir ML modelinin izlenebilirliğinin, tekrarlanabilirliğinin ve dağıtılabilirliğinin önemini kavramak.
• ML modellerini farklı genel bulutlara, platformlara veya şirket içi sunuculara dağıtmak.
• Bir projede işbirliği yapan birden fazla kullanıcıyı barındıracak şekilde ML dağıtım sürecini ölçeklendirmek.
• ML modelleriyle deneme yapmak, bunları yeniden üretmek ve dağıtmak için merkezi bir kayıt ayarlamak.

Bu eğitmen tarafından yönetilen canlı eğitim Türkiye (çevrimiçi veya yerinde) mühendislerin günümüzde mevcut yaklaşımları ve araçları değerlendirmesine, kuruluşlarında MLOps'ı benimseme yolunda bilge kararlar almasına yönelik olarak tasarlanmıştır.

Bu eğitimin sonunda katılımcılar şunları yapabileceklerdir:

• Çeşitli MLOps çerçevelerini ve araçlarını yükleyebilir ve yapılandırabilirler.
• Bir MLOps sistemi oluşturma ve destekleme için gerekli becerileri olan doğru ekibi bir araya getirebilirler.
• ML modelleri tarafından kullanılacak veriyi hazırlayabilir, doğrulayabilir ve sürümleyebilirler.
• Bir ML Pipeline'ın bileşenlerini anlayabilir ve bir tane oluşturmak için gerekli araçları öğrenebilirler.
• Üretim ortamına dağıtım için farklı makine öğrenimi çerçevelerini ve sunucularını deneyebilirler.
• Türetilen Machine Learning sürecini yeniden üretilebilir ve bakım yapılabilir hale getirebilirler.