Kubeflow on AWS培訓

此講師指導式現場培訓在 台灣（在線或現場）進行，面向希望使用 CloudFormation 管理 AWS 生態系統內基礎設施資源的雲工程師和開發人員。

在本次培訓結束時，參與者將能夠：

• 實施 CloudFormation 範本以自動化基礎設施管理。
• 將現有 AWS 資源整合到 CloudFormation 中。
• 使用 StackSets 管理跨多個帳戶和區域的堆疊。

此针对具有中级至高级经验的高级人工智能工程师和数据科学家的台灣（在线或现场）培训课程旨在通过现代MLOps实践有效地提高DeepSeek模型性能、降低延迟和部署人工智能解决方案。

培训结束时，参与者将能够：

• 优化效率、准确性和可伸缩性的DeepSeek模型。
• 实施MLOps和模型版本控制的最佳实践。
• 在云端和本地基础设施上部署DeepSeek模型。
• 有效监控、维护和扩展人工智能解决方案。

此講師指導的現場培訓在 台灣（在線或現場）進行，面向希望將 DynamoDB NoSQL 資料庫集成到 AWS 上託管的 Web 應用程式的開發人員。

在本次培訓結束時，參與者將能夠：

• 設置必要的開發環境以開始將數據集成到 DynamoDB 中。
• 將 DynamoDB 整合到 Web 應用程式和行動應用程式中。
• 使用 AWS 服務在 AWS 中行動資料。
• 使用 AWS DAX 實施 操作。

這種以講師為主導的 台灣（現場或遠端）現場培訓 面向希望在AWS上部署和管理物聯網設備的工程師。

在本次培訓結束時，參與者將能夠構建一個物聯網平臺，其中包括在 AWS 之上部署和管理後端、網關和設備。

這種以講師為主導的台灣現場培訓（現場或遠端）針對希望安裝，配置和管理AWS IoT Greengrass功能以創建各種設備的應用程式的開發人員。

在本次培訓結束時，參與者將能夠使用 AWS IoT Greengrass 在智慧設備上構建、部署、管理、保護和監控應用程式。

這種由 講師指導的 台灣 現場（現場或遠端）實時培訓 面向希望使用 AWS Lambda 構建服務和應用程式並將其部署到雲中的開發人員，而無需擔心配置執行環境（伺服器、VM 和容器、可用性、可擴充性、存儲等）。

在本次培訓結束時，參與者將能夠：

• 配置 AWS Lambda 以執行函數。
• 瞭解 FaaS （Functions as a Service） 和無伺服器開發的優勢。
• 構建、上傳和執行 AWS Lambda 函數。
• 將 Lambda 函數與不同的事件源集成。
• 打包、部署、監控基於 Lambda 的應用程式並對其進行故障排除。

這種由講師指導的台灣現場現場培訓面向希望使用AWS CloudFormation自動管理AWS雲基礎設施過程的工程師。

在培訓結束時，參與者將能夠：

• 啟用 AWS 服務以開始管理基礎設施。
• 理解並應用「基礎設施即程式碼」的原則。
• 提高品質並降低部署基礎架構的成本。
• 使用 YAML 編寫 AWS CloudFormation 樣本。

這項由 講師指導的現場培訓台灣（在線或現場）面向希望加深對 DevOps 實踐的理解並使用 AWS Cloud9 簡化開發流程的高級專業人員。

在本次培訓結束時，參與者將能夠：

• 為 DevOps 個工作流設置和配置 AWS Cloud9。
• 實施持續集成和持續交付 （CI/CD） 管道。
• 使用 AWS Cloud9 自動執行測試、監控和部署流程。
• 將 Lambda、EC2 和 S3 等 AWS 服務整合到 DevOps 工作流中。
• 在 AWS Cloud9 中使用原始程式碼控制系統，如 GitHub 或 GitLab。

這種以講師指導的現場培訓<本地>（在線或現場）面向希望學習如何在AWS Cloud9 和 AWS Lambda 上有效構建、部署和維護無伺服器應用程式的中級專業人員。

在本次培訓結束時，參與者將能夠：

• 瞭解無伺服器架構的基礎知識。
• 設置 AWS Cloud9 以進行無伺服器應用程式開發。
• 使用 AWS Lambda 開發、測試和部署無伺服器應用程式。
• 與其他 AWS 服務（如 API Gateway 和 S3）集成。
• 優化無伺服器應用程式以提高性能和成本效率。

總結：

• 物聯網架構和功能的基礎知識
• “物”、“感測器”、互聯網和物聯網業務功能之間的映射
• 所有物聯網軟體元件的基本要素 - 硬體、韌體、中間件、雲端和行動應用程式
• 物聯網功能 - 車隊管理器、數據可視化、基於 SaaS 的 FM 和 DV、警報/警報、感測器入職、“事物”入職、地理圍欄
• 使用 MQTT 與雲端進行物聯網設備通信的基礎知識。
• 使用 MQTT （AWS IoT Core） 將 IoT 設備連接到 AWS。
• 將 AWS IoT 內核與 AWS Lambda 功能連接，用於計算和數據存儲。
• 連接具有 AWS IoT 核心和簡單數據通信的Raspberry PI。
• 警報和事件
• 感測器校準

總結：

• 物聯網架構和功能的基礎知識
• “物”、“感測器”、互聯網和物聯網業務功能之間的映射
• 所有物聯網軟體元件的基本要素 - 硬體、韌體、中間件、雲端和行動應用程式
• 物聯網功能 - 車隊管理器、數據可視化、基於 SaaS 的 FM 和 DV、警報/警報、感測器入職、“事物”入職、地理圍欄
• 使用 MQTT 與雲端進行物聯網設備通信的基礎知識。
• 使用 MQTT （AWS IoT Core） 將 IoT 設備連接到 AWS。
• 將 AWS IoT 核心與 AWS Lambda 函數連接，以使用 DynamoDB 進行計算和數據存儲。
• 連接具有 AWS IoT 核心和簡單數據通信的Raspberry PI。
• 動手使用Raspberry PI和 AWS IoT Core 構建智慧設備。
• 感測器數據可視化和與網路介面的通信。

這種由講師指導的台灣現場培訓（現場或遠端）面向希望將Machine Learning工作負載部署到Azure雲的工程師。

在培訓結束時，參與者將能夠：

• 在 Azure 上安裝和配置 Kubernetes、Kubeflow 和其他所需的軟體。
使用 Azure Kubernetes
• 服務 （AKS） 簡化在 Azure 上初始化 Kubernetes 群集的工作。
• 創建和部署 Kubernetes 管道，用於在生產環境中自動執行和管理 ML 模型。
• 在多個並行運行的 GPU 和機器上訓練和部署 TensorFlow ML 模型。
• 利用其他 AWS 託管服務來擴展 ML 應用程式。

這種以講師為主導的現場培訓（現場或遠端）針對的是希望超越構建ML模型並優化ML模型創建，跟蹤和部署過程的數據科學家。

在培訓結束時，參與者將能夠：

• 安裝和配置 MLflow 以及相關的 ML 庫和框架。
• 瞭解 ML 模型的可跟蹤性、可再現性和可部署性的重要性
• 將 ML 模型部署到不同的公有雲、平臺或本地伺服器。
• 擴展 ML 部署過程，以適應在專案上進行協作的多個使用者。
• 設置中央註冊表以試驗、複製和部署ML模型。

這種以講師為主導的台灣現場培訓（現場或遠端）針對的是希望評估當今可用的方法和工具的工程師，以便就在其組織內採用MLOps的前進道路做出明智的決定。

在培訓結束時，參與者將能夠：

• 安裝和配置各種 MLOps 框架和工具。
• 組建一支具有正確技能的正確團隊，以構建和支援 MLOps 系統。
• 準備、驗證和版本控制數據以供ML模型使用。
• 瞭解 ML 管道的元件以及構建管道所需的工具。
• 嘗試使用不同的機器學習框架和伺服器進行部署到生產環境。
• 操作整個 Machine Learning 過程，使其可複製和維護。

這種以講師為主導的現場培訓（現場或遠端）針對希望使用Azure Machine Learning和Azure DevOps來促進MLOps實踐的機器學習工程師。

在培訓結束時，參與者將能夠：

• 構建可重現的工作流和機器學習模型。
• 管理機器學習生命週期。
• 跟蹤和報告模型版本歷史記錄、資產等。
• 在任何地方部署生產就緒的機器學習模型。