Kubeflow on AWS Eğitimi

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye – çevrimiçi veya yerinde) bulut mühendisleri ve geliştiricilerin, AWS ekosistemi içindeki altyapı kaynaklarını yönetmek için CloudFormation'i kullanmalarını amaçlamaktadır.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Altyapı yönetimini otomatikleştirmek için CloudFormation şablonlarını uygulayın.
• Mevcut AWS kaynaklarını CloudFormation ile entegre edin.
• Çoklu hesaplar ve bölgeler arasında yığınları yönetmek için StackSet'leri kullanın.

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 eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), web uygulamasına bir aDynamoDB NoSQL veritabanı entegre etmek isteyen geliştiricilere yöneliktir ve AWS üzerinde barındırılır.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Verileri DynamoDB'ye entegre etmeye başlamak için gerekli geliştirme ortamını kurmak.
• DynamoDB'yi web ve mobil uygulamalara entegre etmek.
• AWS hizmetlerini kullanarak AWS'de verileri taşımak.
• AWS DAX ile işlemler uygulamak.

Bu eğitmen liderliğindeki, canlı eğitim (yerinde veya uzaktan) AWS üzerinde IoT cihazlarını dağıtmak ve yönetmek isteyen mühendislere yöneliktir.

Bu eğitimin sonunda katılımcılar, bir arka uç, ağ geçidi ve cihazların AWS üzerinde dağıtımını ve yönetimini içeren bir IoT platformu oluşturabileceklerdir.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), çeşitli cihazlar için uygulamalar oluşturmak amacıyla AWS IoT Greengrass özelliklerini kurmak, yapılandırmak ve yönetmek isteyen geliştiricilere yöneliktir.

Bu eğitimin sonunda katılımcılar, AWS IoT Greengrass kullanarak akıllı cihazlarda uygulamalar oluşturabilecek, dağıtabilecek, yönetebilecek, güvenliğini sağlayabilecek ve izleyebileceklerdir.

Bu eğitmen liderliğindeki, canlı eğitim Türkiye (yerinde veya uzaktan) geliştiricilerin, yürütme ortamı (sunucular, VM'ler ve kapsayıcılar, kullanılabilirlik, ölçeklenebilirlik, depolama vb.) sağlamadan hizmetleri ve uygulamaları buluta oluşturmak ve dağıtmak için AWS Lambda'u kullanmayı amaçlamaktadır.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Bir işlevi yürütmek için AWS Lambda'u yapılandırmak.
• FaaS (Hizmet Olarak İşlevler) ve sunucusuz geliştirmenin avantajlarını anlamak.
• AWS Lambda işlevlerini oluşturmak, yüklemek ve yürütmek.
• Lambda işlevlerini farklı olay kaynaklarıyla entegre etmek.
• Lambda tabanlı uygulamaları paketlemek, dağıtmak, izlemek ve sorun gidermek.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), AWS altyapısını yönetme sürecini otomatikleştirmek için AWS CloudFormation'i kullanmak isteyen mühendislere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Altyapıyı yönetmeye başlamak için AWS hizmetlerini etkinleştirmek.
• "Altyapı olarak kod" ilkesini anlamak ve uygulamak.
• Altyapı dağıtımının kalitesini artırmak ve maliyetleri düşürmek.
• YAML kullanarak AWS CloudFormation Şablonları yazmak.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), DevOps uygulamalarını derinleştirmek ve AWS Cloud9 kullanarak geliştirme süreçlerini kolaylaştırmak isteyen ileri düzey profesyonellere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• AWS Cloud9'u DevOps iş akışları için kurmak ve yapılandırmak.
• Sürekli entegrasyon ve sürekli teslimat (CI/CD) hatları uygulamak.
• AWS Cloud9 kullanarak test, izleme ve dağıtım süreçlerini otomatikleştirmek.
• Lambda, EC2 ve S3 gibi AWS hizmetlerini DevOps iş akışlarına entegre etmek.
• GitHub veya GitLab gibi kaynak kontrol sistemlerini AWS Cloud9 içinde kullanmak.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), AWS Cloud9 ve AWS Lambda üzerinde sunucusuz uygulamaları etkili bir şekilde oluşturmak, dağıtmak ve sürdürmek isteyen orta düzeydeki profesyonellere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Sunucusuz mimarinin temellerini anlayabilecektir.
• Sunucusuz uygulama geliştirme için AWS Cloud9'u kurabilecektir.
• AWS Lambda kullanarak sunucusuz uygulamalar geliştirebilecek, test edebilecek ve dağıtabilecektir.
• AWS Lambda'u API Gateway ve S3 gibi diğer AWS hizmetleriyle entegre edebilecektir.
• Sunucusuz uygulamaları performans ve maliyet verimliliği için optimize edebilecektir.

Summery:

• Basics of IoT architecture and functions
• “Things”, “Sensors”, Internet and the mapping between business functions of IoT
• Essential of all IoT software components- hardware, firmware, middleware, cloud and mobile app
• IoT functions- Fleet manager, Data visualization, SaaS based FM and DV, alert/alarm, sensor onboarding, “thing” onboarding, geo-fencing
• Basics of IoT device communication with cloud with MQTT.
• Connecting IoT devices to AWS with MQTT (AWS IoT Core).
• Connecting AWS IoT core with AWS Lambda function for computation and data storage.
• Connecting Raspberry PI with AWS IoT core and simple data communication.
• Alerts and events
• Sensor calibration

Summary:

• Basics of IoT architecture and functions
• “Things”, “Sensors”, Internet and the mapping between business functions of IoT
• Essential of all IoT software components- hardware, firmware, middleware, cloud and mobile app
• IoT functions- Fleet manager, Data visualization, SaaS based FM and DV, alert/alarm, sensor onboarding, “thing” onboarding, geo-fencing
• Basics of IoT device communication with cloud with MQTT.
• Connecting IoT devices to AWS with MQTT (AWS IoT Core).
• Connecting AWS IoT core with AWS Lambda function for computation and data storage using DynamoDB.
• Connecting Raspberry PI with AWS IoT core and simple data communication.
• Hands on with Raspberry PI and AWS IoT Core to build a smart device.
• Sensor data visualization and communication with web interface.

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 (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 liderliğindeki, canlı eğitim (Türkiye – çevrimiçi veya yerinde), kuruluşları içinde MLOps'ü benimseme yolunda bilinçli bir karar vermek için mevcut yaklaşımları ve araçları değerlendirmek isteyen mühendislere yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Çeşitli MLOps çerçevelerini ve araçlarını kurun ve yapılandırın.
• Bir MLOps sistemi oluşturmak ve desteklemek için doğru becerilere sahip doğru ekibi oluşturun.
• ML modelleri tarafından kullanılmak üzere verileri hazırlayın, doğrulayın ve sürümleyin.
• Bir ML Hattının bileşenlerini ve onu oluşturmak için gereken araçları anlayın.
• Üretim ortamına dağıtmak için farklı makine öğrenimi çerçeveleri ve sunucularıyla deney yapın.
• Tüm Machine Learning sürecini yeniden üretilebilir ve sürdürülebilir hale getirin.

Bu eğitmen liderliğindeki, canlı eğitim (çevrimiçi veya yerinde), Azure Machine Learning ve Azure DevOps kullanarak MLOps uygulamalarını kolaylaştırmak isteyen makine öğrenimi mühendislerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Tekrarlanabilir iş akışları ve makine öğrenimi modelleri oluşturmak.
• Makine öğrenimi yaşam döngüsünü yönetmek.
• Model sürüm geçmişini, varlıkları ve daha fazlasını izlemek ve raporlamak.
• Üretim için hazır makine öğrenimi modellerini her yere dağıtmak.