Developing and Deploying AI/ML Applications on Red Hat OpenShift AI

Überblick

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

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

Dieser Kurs basiert auf Red Hat OpenShift® 4.14 und Red Hat OpenShift AI 2.8.

 

Zielgruppe

  • Data Scientists und KI-Fachkräfte, die Red Hat OpenShift AI zum Erstellen und Trainieren von ML-Modellen verwenden möchten
  • Entwicklungsteams, die KI/ML-fähige Anwendungen entwickeln und integrieren möchten
  • MLOps Engineers, die für die Installation, Konfiguration, Bereitstellung und Überwachung von KI/ML-Anwendungen auf Red Hat OpenShift AI verantwortlich sind

Voraussetzungen

Kursziele

Auswirkungen auf die Organisation

Organisationen erfassen und speichern riesige Mengen an Daten aus mehreren Quellen. Red Hat OpenShift AI bietet Unternehmen eine Plattform, um Daten zu analysieren, Trends und Muster zu visualisieren und zukünftige Geschäftsergebnisse mit Algorithmen für maschinelles Lernen und künstliche Intelligenz vorherzusagen.

Auswirkungen auf Einzelne

In diesem Kurs lernen Sie die Grundlagen der Architektur von Red Hat OpenShift AI kennen. Nach Abschluss des Kurses können Sie Red Hat OpenShift AI installieren, Ressourcenzuordnungen verwalten, Komponenten aktualisieren und Nutzende sowie deren Berechtigungen verwalten. Sie sind in der Lage, Modelle zu trainieren und bereitzustellen und dabei Best Practices in Machine Learning und Data Science mit Red Hat OpenShift AI anzuwenden. Ausserdem können Sie Data Science-Pipelines erstellen, ausführen und verwalten sowie Probleme beheben.

Weiterführende Kurse

Produktbeschreibung

  • Einführung in Red Hat OpenShift AI
  • Data Science-Projekte
  • Jupyter Notebooks
  • Installieren von Red Hat OpenShift AI
  • Verwalten von Nutzenden und Ressourcen
  • 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 die Workflow-Automatisierung
  • Elyra-Pipelines
  • KubeFlow-Pipelines

Outline

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

Data Science-Projekte

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

Jupyter Notebooks

Jupyter Notebooks zum interaktiven Ausführen und Testen von Code verwenden

Installieren von Red Hat OpenShift AI

Red Hat OpenShift AI mit der Webkonsole und CLI installieren und Komponenten von Red Hat OpenShift AI verwalten

Verwalten von Nutzenden und Ressourcen

Nutzende von Red Hat OpenShift AI sowie die Ressourcenzuweisung für Workbenches verwalten

Benutzerdefinierte Notebook Images

Benutzerdefinierte Notebook Images erstellen und benutzerdefinierte Notebooks über das Dashboard von Red Hat OpenShift AI importieren

Einführung in Machine Learning

Grundlegende ML-Konzepte, verschiedene Arten von Machine Learning sowie ML-Workflows beschreiben

Trainieren von Modellen

Modelle mit standardmässigen und benutzerdefinierten Workbenches trainieren

Verbessertes Modelltraining mit RHOAI

Mit RHOAI Best Practices in Machine Learning und Data Science anwenden

Einführung in die Modellbereitstellung

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

Modellbereitstellung in Red Hat OpenShift AI

Trainierte ML-Modelle mit OpenShift AI bereitstellen

Benutzerdefinierte Modellserver

ML-Modelle mit benutzerdefinierten Modellbereitstellungs-Runtimes einsetzen und bereitstellen

Einführung in Data Science-Pipelines

Data Science-Pipelines erstellen, ausführen und verwalten sowie Probleme beheben

Elyra-Pipelines

Data Science-Pipelines mit Elyra erstellen

KubeFlow-Pipelines

Data Science-Pipelines mit dem KubeFlow-SDK erstellen

E-Learning Red Hat Online Learning (RHOL)
Preis (exkl. MwSt.)
  • 2'295.– €

Nutzungsdauer: 90 Tage