Kurs

Developing and Deploying AI/ML Applications on Red Hat OpenShift AI («RAI267»)

Eine Einführung in die Entwicklung und Bereitstellung von AI-/ML-Anwendungen auf Red Hat OpenShift AI.

Dauer 3 Tage

Preis 2'700.– zzgl. 8.1% MWST

Hinweis: Dieser Kurs wird als 3-tägige Präsenzschulung, als 4-tägiger virtueller Kurs oder im Selbststudium angeboten. Die Dauer kann je nach Bereitstellung variieren.

Anmelden

Auf die Merkliste

Kurs-Facts

Key Learnings

Einführung in Red Hat OpenShift AI
Data-Science-Projekte
Jupyter Notebooks
Installieren von Red Hat OpenShift AI
Nutzer- und Ressourcenverwaltung
Benutzerdefinierte Notebook Images
Einführung in Machine Learning
Trainieren von Modellen
Verbessertes Modelltraining mit RHOAI
Einführung in die Modellbereitstellung
Modellbereitstellung in Red Hat OpenShift AI
Einführung in Data Science Pipelines
Arbeiten mit Pipelines
Steuern von Pipelines und Experimenten

Inhalt

Developing and Deploying AI/ML Applications on Red Hat OpenShift AI (AI267) vermittelt Teilnehmenden grundlegende Kenntnisse darüber, wie sie AI-/ML-Anwendungen mit Red Hat OpenShift entwickeln und bereitstellen können. Die Teilnehmenden erwerben durch praktische Erfahrungen wichtige Kompetenzen für die Verwendung von Red Hat OpenShift AI zum Trainieren, Entwickeln und Bereitstellen von ML-Modellen (Machine Learning).

1 Einführung in Red Hat OpenShift AI
Die wichtigsten Funktionen von Red Hat OpenShift AI identifizieren und die Architektur und Komponenten von Red Hat AI beschreiben

2 Data-Science-Projekte
Code und Konfiguration mithilfe von Data Science-Projekten, Workbenches und Datenverbindungen organisieren

3 Jupyter Notebooks
Jupyter Notebooks zum interaktiven Ausführen und Testen von Code verwenden

4 Installation von Red Hat OpenShift AI
Red Hat OpenShift AI installieren und Red-Hat-OpenShift-AI-Komponenten verwalten

5 Nutzer- und Ressourcenverwaltung
Nutzende von Red Hat OpenShift AI verwalten und Ressourcen zuweisen

6 Benutzerdefinierte Notebook Images
Notebook Images in Red Hat OpenShift AI erstellen und importieren

7 Einführung in Machine Learning
Verschiedene Arten von Machine Learning (ML), grundlegende ML-Konzepte sowie ML-Workflows beschreiben

8 Training von Modellen
Modelle mit standardmässigen und benutzerdefinierten Workbenches trainieren

9 Verbessertes Modelltraining mit RHOAI
Mit RHOAI Best Practices in Machine Learning und Data Science anwenden

10 Einführung in die Modellbereitstellung
Konzepte und Komponenten beschreiben, die zum Exportieren, Freigeben und Bereitstellen von trainierten ML-Modellen erforderlich sind

11 Modellbereitstellung in Red Hat OpenShift AI
Trainierte ML-Modelle mit OpenShift AI bereitstellen

12 Einführung in Data Science Pipelines
Data Science Pipelines definieren und einrichten

13 Arbeiten mit Pipelines
Data Science Pipelines mit dem Kubeflow-SDK und Elyra erstellen

14 Steuerung von Pipelines und Experimenten
Pipelines mit Artefakten, Metriken und Experimenten konfigurieren, überwachen und nachverfolgen

Zielpublikum

Data Scientists und AI-Fachkräfte, die Red Hat OpenShift AI zum Erstellen und Trainieren von ML-Modellen verwenden möchten
Entwicklungsteams, die AI-/ML-fähige Anwendungen entwickeln und integrieren möchten
Entwicklungsteams, Data Scientists und AI-Fachkräfte, die ihre ML-Workflows automatisieren möchten
MLOps Engineers, die für die Operationalisierung des ML-Lifecycles auf Red Hat OpenShift AI verantwortlich sind

Anforderungen

Erfahrung mit Git ist erforderlich
Grundkenntnisse in den Bereichen AI, Data Science und Machine Learning werden empfohlen
Erfahrung in der Python-Entwicklung ist erforderlich, oder Abschluss des folgenden Kurses:
Erfahrung mit Red Hat OpenShift ist erforderlich, oder Abschluss des folgenden Kurses: