MLOps on Kubernetes: CI/CD Pipelines for Machine Learning

Este curso de formación en vivo dirigido por un instructor en Ecuador (en línea o presencial) está dirigido a ingenieros de IA y científicos de datos de nivel avanzado con experiencia intermedia a avanzada que desean mejorar DeepSeek el rendimiento del modelo, minimizar la latencia y implementar soluciones de IA de manera eficiente utilizando prácticas modernas MLOps.

Al final de esta capacitación, los participantes podrán:

• Optimizar DeepSeek modelos para eficiencia, precisión y escalabilidad.
• Implementar buenas prácticas para MLOps y versionado de modelos.
• Desplegar DeepSeek modelos en infraestructuras en la nube y locales.
• Monitorear, mantener y escalar soluciones de IA de manera efectiva.

DO180 es una introducción a los contenedores, los fundamentos de Kubernetes y los conceptos de la plataforma Red Hat OpenShift, enfocada en habilidades prácticas.

Esta capacitación guiada por un instructor (en línea o en el sitio) está dirigida a profesionales técnicos de nivel principiante a intermedio que desean aprender flujos de trabajo de contenedores, primitivas de Kubernetes y cómo implementar y operar aplicaciones en OpenShift.

Al final de esta capacitación, los participantes serán capaces de:

• Construir y administrar imágenes de contenedor y registros con mejores prácticas para la reproducibilidad y la seguridad.
• Implementar y administrar objetos de Kubernetes como pods, despliegues y servicios en OpenShift.
• Utilizar características de OpenShift, incluyendo rutas, BuildConfigs y la consola web, para agilizar la entrega de aplicaciones.
• Implementar almacenamiento persistente, gestión de configuración y manejo de secretos para cargas de trabajo estatales.
• Aplicar prácticas básicas de seguridad, RBAC y monitoreo para mantener clústeres y aplicaciones saludables.

Formato del Curso

• Lectura interactiva y discusión.
• Ejercicios prácticos en un entorno de OpenShift en vivo cada día.
• Ejercicios basados en escenarios y talleres de solución de problemas.

Opciones de Personalización del Curso

• Para solicitar una capacitación personalizada para este curso, por favor contáctenos para organizarlo.

Este curso de formación dirigido por un instructor en Ecuador (en línea o presencial) está destinado a ingenieros que deseen utilizar Helm para agilizar el proceso de instalación y gestión de aplicaciones de Kubernetes.

Al final de este entrenamiento, los participantes serán capaces de:

• Instalar y configurar Helm.
• Crear construcciones reproducibles de aplicaciones de Kubernetes.
• Compartir aplicaciones como gráficos de Helm.
• Ejecutar aplicaciones de terceros guardadas como gráficos de Helm.
• Gestionar las versiones de paquetes de Helm.

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

Al final de esta formación, los participantes serán capaces de:

• Instale y configure Kubeflow en las instalaciones y en la nube mediante AWS EKS (Elastic Kubernetes Service).
• Cree, implemente y administre flujos de trabajo de ML basados en Docker contenedores y Kubernetes.
• Ejecute canalizaciones completas de aprendizaje automático en diversas arquitecturas y entornos en la nube.
• Uso de Kubeflow para generar y administrar cuadernos de Jupyter Notebook.
• Cree entrenamiento de ML, ajuste de hiperparámetros y entrega de cargas de trabajo en múltiples plataformas.

Este entrenamiento dirigido por un instructor (en línea o en las instalaciones del cliente) está destinado a ingenieros que deseen implementar cargas de trabajo de Aprendizaje Automático en un servidor EC2 de AWS.

Al final de este entrenamiento, los participantes podrán:

• Instalar y configurar Kubernetes, Kubeflow y otros software necesarios en AWS.
• Usar EKS (Elastic Kubernetes Service) para simplificar la inicialización de un clúster de Kubernetes en AWS.
• Crear e implementar una canalización de Kubernetes para automatizar y administrar modelos de ML en producción.
• Entrenar e implementar modelos de ML de TensorFlow en múltiples GPUs y máquinas que funcionan en paralelo.
• Aprovechar otros servicios gestionados por AWS para extender una aplicación de ML.

Esta formación dirigida por un instructor (en línea o presencial) en Ecuador está destinada a ingenieros que deseen implementar cargas de trabajo de Machine Learning en la nube de Azure.

Al final de esta formación, los participantes serán capaces de:

• Instalar y configurar Kubernetes, Kubeflow y otros software necesarios en Azure.
• Usar Azure Kubernetes Service (AKS) para simplificar la inicialización de un clúster de Kubernetes en Azure.
• Crear e implementar una canalización de Kubernetes para automatizar y gestionar modelos de ML en producción.
• Entrenar e implementar modelos de ML de TensorFlow a través de múltiples GPUs y máquinas que funcionan en paralelo.
• Aprovechar otros servicios administrados de AWS para extender una aplicación de ML.

Kubeflow is an open-source platform designed to streamline building, training, and deploying machine learning workloads on Kubernetes.

This instructor-led, live training (online or onsite) is aimed at beginner-level to intermediate-level professionals who wish to build reliable ML workflows using Kubeflow.

Upon completion of this training, attendees will gain the skills to:

• Navigate the Kubeflow ecosystem and core components.
• Build reproducible workflows with Kubeflow Pipelines.
• Run scalable training jobs on Kubernetes.
• Serve machine learning models efficiently using Kubeflow Serving.

Format of the Course

• Guided presentations and collaborative discussions.
• Hands-on labs with real Kubeflow components.
• Practical exercises to build end-to-end ML workflows.

Course Customization Options

• Customized versions of this training can be arranged to align with your team’s technology stack and project requirements.

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

Al final de esta formación, los participantes serán capaces de:

• Instale y configure Kubeflow en las instalaciones y en la nube.
• Cree, implemente y administre flujos de trabajo de ML basados en Docker contenedores y Kubernetes.
• Ejecute canalizaciones completas de aprendizaje automático en diversas arquitecturas y entornos en la nube.
• Uso de Kubeflow para generar y administrar cuadernos de Jupyter Notebook.
• Cree entrenamiento de ML, ajuste de hiperparámetros y entrega de cargas de trabajo en múltiples plataformas.

Esta capacitación en vivo dirigida por un instructor en Ecuador (en línea o en el sitio) está dirigida a desarrolladores de software de nivel principiante a intermedio y DevOps profesionales que deseen aprender a configurar y administrar un entorno local Kubernetes usando Minikube.

Al final de esta capacitación, los participantes serán capaces de:

• Instale y configure Minikube en su máquina local.
• Comprender los conceptos básicos y la arquitectura de Kubernetes.
• Implemente y administre contenedores mediante kubectl y el panel de control de Minikube.
• Configure soluciones de redes y almacenamiento persistente para Kubernetes.
• Utilice Minikube para desarrollar, probar y depurar aplicaciones.

Esta formación en vivo, dirigida por un instructor en Ecuador (en línea o presencial), está destinada a desarrolladores y ingenieros DevOps de nivel intermedio que deseen utilizar Minikube como parte de su flujo de trabajo de desarrollo.

Al finalizar esta formación, los participantes serán capaces de:

• Configurar y administrar un entorno local de Kubernetes utilizando Minikube.
• Comprender cómo implementar, gestionar y depurar aplicaciones en Minikube.
• Integrar Minikube en sus pipelines de integración y despliegue continuos.
• Optimizar su proceso de desarrollo mediante las funciones avanzadas de Minikube.
• Aplicar las mejores prácticas para el desarrollo local de Kubernetes.

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

Al final de esta formación, los participantes serán capaces de:

• Instale y configure MLflow y las bibliotecas y marcos de ML relacionados.
• Apreciar la importancia de la trazabilidad, la reproducibilidad y la capacidad de implementación de un modelo de ML
• Implemente modelos de ML en diferentes nubes públicas, plataformas o servidores locales.
• Escale el proceso de implementación de ML para dar cabida a varios usuarios que colaboran en un proyecto.
• Configure un registro central para experimentar, reproducir e implementar modelos de ML.

Este curso de formación en vivo guiado por un instructor en Ecuador (en línea o presencial) está dirigido a ingenieros que deseen evaluar los enfoques y herramientas disponibles hoy en día para tomar una decisión inteligente sobre el camino a seguir en la adopción de MLOps dentro de su organización.

Al finalizar este curso, los participantes serán capaces de:

• Instalar y configurar diversos marcos y herramientas de MLOps.
• Formar el equipo adecuado con las habilidades necesarias para construir y soportar un sistema de MLOps.
• Preparar, validar y versionar datos para su uso por modelos de ML.
• Comprender los componentes de una canalización de ML (ML Pipeline) y las herramientas necesarias para construirla.
• Experimentar con diferentes marcos y servidores de aprendizaje automático para su despliegue en producción.
• Operacionalizar el proceso completo de Aprendizaje Automático para que sea reproducible y mantenible.

Este curso dirigido por un instructor, en vivo (en línea o presencial), está destinado a ingenieros de aprendizaje automático que deseen usar Azure Machine Learning y Azure DevOps para facilitar las prácticas de MLOps.

Al finalizar este curso, los participantes serán capaces de:

• Crear flujos de trabajo y modelos de aprendizaje automático reproducibles.
• Gestionar el ciclo de vida del aprendizaje automático.
• Seguir y reportar el historial de versiones de los modelos, activos y más.
• Desplegar modelos de aprendizaje automático listos para producción en cualquier lugar.