Developing and Deploying AI/ML Applications on Red Hat OpenShift AI with ExamAI268RHRed HatRH-AI2681.0<h5>Impact on the Organization</h5><p>Les organisations collectent et stockent d’énormes quantités d’informations provenant de multiples sources. Avec Red Hat OpenShift AI, elles disposent d’une plateforme prête à analyser les données, visualiser les tendances et patterns, et prédire les résultats futurs grâce aux algorithmes de machine learning et d’intelligence artificielle.</p>
<p>[h5Impact on the Individual[/h5]</p>
<p>À l’issue de ce cours, vous comprendrez les fondations de l’architecture Red Hat OpenShift AI. Vous serez capable d’installer Red Hat OpenShift AI, de gérer les allocations de ressources, de mettre à jour les composants et de gérer les utilisateurs ainsi que leurs permissions. Vous serez également capable d’entraîner, de déployer et de servir des modèles, y compris d’utiliser Red Hat OpenShift AI pour appliquer les bonnes pratiques en machine learning et data science. Enfin, vous serez capable de créer, exécuter, gérer et dépanner des data science pipelines.</p><ul>
<li>Une expérience avec Git est requise</li><li>Une expérience en développement Python est requise, ou avoir suivi le cours Python Programming with Red Hat (AD141)</li><li>Une expérience avec Red Hat OpenShift est requise, ou avoir suivi le cours <span class="cms-link-marked"><a class="fl-href-prod" href="/swisscom/fr/course/redhat-do288"><svg role="img" aria-hidden="true" focusable="false" data-nosnippet class="cms-linkmark"><use xlink:href="/css/img/icnset-linkmarks.svg#linkmark"></use></svg>Red Hat OpenShift Developer II: Building and Deploying Cloud-native Applications <span class="fl-prod-pcode">(DO288)</span></a></span></li><li>Une expérience de base dans les domaines AI, data science et machine learning est recommandée</li></ul><ul>
<li>Data scientists et praticiens de l’IA qui veulent utiliser Red Hat OpenShift AI pour construire et entraîner des modèles ML</li><li>Développeurs qui veulent créer et intégrer des applications AI/ML</li><li>MLOps engineers responsables de l’installation, de la configuration, du déploiement et de la supervision des applications AI/ML sur Red Hat OpenShift AI</li></ul><ul>
<li>Introduction à Red Hat OpenShift AI</li><li>Projets de data science</li><li>Jupyter Notebooks</li><li>Installation de Red Hat OpenShift AI</li><li>Gestion des utilisateurs et des ressources</li><li>Images personnalisées de notebooks</li><li>Introduction au machine learning</li><li>Entraînement de modèles</li><li>Amélioration de l’entraînement de modèles avec RHOAI</li><li>Introduction au Model Serving</li><li>Model Serving dans Red Hat OpenShift AI</li><li>Introduction à l’automatisation des workflows</li><li>Elyra Pipelines</li><li>Kubeflow Pipelines</li></ul><h5>Introduction to Red Hat OpenShift AI</h5><p>Identify the main features of Red Hat OpenShift AI, and describe the architecture and components of Red Hat AI</p>
<h5>Data Science Projects</h5><p>Organize code and configuration by using data science projects, workbenches, and data connections</p>
<h5>Jupyter Notebooks</h5><p>Use Jupyter notebooks to execute and test code interactively</p>
<h5>Installing Red Hat OpenShift AI</h5><p>Installing Red Hat OpenShift AI by using the web console and the CLI, and managing Red Hat OpenShift AI components</p>
<h5>Managing Users and Resources</h5><p>Managing Red Hat OpenShift AI users, and resource allocation for Workbenches</p>
<h5>Custom Notebook Images</h5><p>Creating custom notebook images, and importing a custom notebook through the Red Hat OpenShift AI dashboard</p>
<h5>Introduction to Machine Learning</h5><p>Describe basic machine learning concepts, different types of machine learning, and machine learning workflows</p>
<h5>Training Models</h5><p>Train models by using default and custom workbenches</p>
<h5>Enhancing Model Training with RHOAI</h5><p>Use RHOAI to apply best practices in machine learning and data science</p>
<h5>Introduction to Model Serving</h5><p>Describe the concepts and components required to export, share and serve trained machine learning models</p>
<h5>Model Serving in Red Hat OpenShift AI</h5><p>Serve trained machine learning models with OpenShift AI</p>
<h5>Introduction to Data Science Pipelines</h5><p>Create, run, manage, and troubleshoot data science pipelines</p>
<h5>Elyra Pipelines</h5><p>Create data science pipelines with Elyra</p>
<h5>Kubeflow Pipelines</h5><p>Create data science pipelines with Kubeflow Pipelines</p>Impact on the Organization
Les organisations collectent et stockent d’énormes quantités d’informations provenant de multiples sources. Avec Red Hat OpenShift AI, elles disposent d’une plateforme prête à analyser les données, visualiser les tendances et patterns, et prédire les résultats futurs grâce aux algorithmes de machine learning et d’intelligence artificielle.
[h5Impact on the Individual[/h5]
À l’issue de ce cours, vous comprendrez les fondations de l’architecture Red Hat OpenShift AI. Vous serez capable d’installer Red Hat OpenShift AI, de gérer les allocations de ressources, de mettre à jour les composants et de gérer les utilisateurs ainsi que leurs permissions. Vous serez également capable d’entraîner, de déployer et de servir des modèles, y compris d’utiliser Red Hat OpenShift AI pour appliquer les bonnes pratiques en machine learning et data science. Enfin, vous serez capable de créer, exécuter, gérer et dépanner des data science pipelines.- Une expérience avec Git est requise
- Une expérience en développement Python est requise, ou avoir suivi le cours Python Programming with Red Hat (AD141)
- Une expérience avec Red Hat OpenShift est requise, ou avoir suivi le cours Red Hat OpenShift Developer II: Building and Deploying Cloud-native Applications (DO288)
- Une expérience de base dans les domaines AI, data science et machine learning est recommandée- Data scientists et praticiens de l’IA qui veulent utiliser Red Hat OpenShift AI pour construire et entraîner des modèles ML
- Développeurs qui veulent créer et intégrer des applications AI/ML
- MLOps engineers responsables de l’installation, de la configuration, du déploiement et de la supervision des applications AI/ML sur Red Hat OpenShift AI- Introduction à Red Hat OpenShift AI
- Projets de data science
- Jupyter Notebooks
- Installation de Red Hat OpenShift AI
- Gestion des utilisateurs et des ressources
- Images personnalisées de notebooks
- Introduction au machine learning
- Entraînement de modèles
- Amélioration de l’entraînement de modèles avec RHOAI
- Introduction au Model Serving
- Model Serving dans Red Hat OpenShift AI
- Introduction à l’automatisation des workflows
- Elyra Pipelines
- Kubeflow PipelinesIntroduction to Red Hat OpenShift AI
Identify the main features of Red Hat OpenShift AI, and describe the architecture and components of Red Hat AI
Data Science Projects
Organize code and configuration by using data science projects, workbenches, and data connections
Jupyter Notebooks
Use Jupyter notebooks to execute and test code interactively
Installing Red Hat OpenShift AI
Installing Red Hat OpenShift AI by using the web console and the CLI, and managing Red Hat OpenShift AI components
Managing Users and Resources
Managing Red Hat OpenShift AI users, and resource allocation for Workbenches
Custom Notebook Images
Creating custom notebook images, and importing a custom notebook through the Red Hat OpenShift AI dashboard
Introduction to Machine Learning
Describe basic machine learning concepts, different types of machine learning, and machine learning workflows
Training Models
Train models by using default and custom workbenches
Enhancing Model Training with RHOAI
Use RHOAI to apply best practices in machine learning and data science
Introduction to Model Serving
Describe the concepts and components required to export, share and serve trained machine learning models
Model Serving in Red Hat OpenShift AI
Serve trained machine learning models with OpenShift AI
Introduction to Data Science Pipelines
Create, run, manage, and troubleshoot data science pipelines
Elyra Pipelines
Create data science pipelines with Elyra
Kubeflow Pipelines
Create data science pipelines with Kubeflow Pipelines3 jours3168.003168.002541.002641.003168.002741.002237.003168.003168.003168.00