Developing and Deploying AI/ML Applications on Red Hat OpenShift AIAI267RHRed HatRH-AI2671<h5>Auswirkungen auf die Organisation</h5><p>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.</p>
<h5>Auswirkungen auf Einzelne</h5><p>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.</p><ul>
<li>Git-Erfahrung erforderlich</li><li>Erfahrung in der Python-Entwicklung oder Abschluss des Kurses Python Programming with Red Hat (AD141) erforderlich</li><li>Kenntnisse in Red Hat OpenShift oder Abschluss des Kurses <span class="cms-link-marked"><a class="fl-href-prod" href="/swisscom/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> erforderlich</li><li>Grundkenntnisse in den Bereichen KI, Data Science und Machine Learning werden empfohlen</li></ul><ul>
<li>Data Scientists und KI-Fachkräfte, die Red Hat OpenShift AI zum Erstellen und Trainieren von ML-Modellen verwenden möchten</li><li>Entwicklungsteams, die KI/ML-fähige Anwendungen entwickeln und integrieren möchten</li><li>MLOps Engineers, die für die Installation, Konfiguration, Bereitstellung und Überwachung von KI/ML-Anwendungen auf Red Hat OpenShift AI verantwortlich sind</li></ul><ul>
<li>Einführung in Red Hat OpenShift AI</li><li>Data Science-Projekte</li><li>Jupyter Notebooks</li><li>Installieren von Red Hat OpenShift AI</li><li>Verwalten von Nutzenden und Ressourcen</li><li>Benutzerdefinierte Notebook Images</li><li>Einführung in Machine Learning</li><li>Trainieren von Modellen</li><li>Verbessertes Modelltraining mit RHOAI</li><li>Einführung in die Modellbereitstellung</li><li>Modellbereitstellung in Red Hat OpenShift AI</li><li>Einführung in die Workflow-Automatisierung</li><li>Elyra-Pipelines</li><li>KubeFlow-Pipelines</li></ul><h5>Einführung in Red Hat OpenShift AI</h5><p>Die wichtigsten Funktionen von Red Hat OpenShift AI identifizieren und die Architektur und Komponenten von Red Hat AI beschreiben</p>
<h5>Data Science-Projekte</h5><p>Code und Konfiguration mithilfe von Data Science-Projekten, Workbenches und Datenverbindungen organisieren</p>
<h5>Jupyter Notebooks</h5><p>Jupyter Notebooks zum interaktiven Ausführen und Testen von Code verwenden</p>
<h5>Installieren von Red Hat OpenShift AI</h5><p>Red Hat OpenShift AI mit der Webkonsole und CLI installieren und Komponenten von Red Hat OpenShift AI verwalten</p>
<h5>Verwalten von Nutzenden und Ressourcen</h5><p>Nutzende von Red Hat OpenShift AI sowie die Ressourcenzuweisung für Workbenches verwalten</p>
<h5>Benutzerdefinierte Notebook Images</h5><p>Benutzerdefinierte Notebook Images erstellen und benutzerdefinierte Notebooks über das Dashboard von Red Hat OpenShift AI importieren</p>
<h5>Einführung in Machine Learning</h5><p>Grundlegende ML-Konzepte, verschiedene Arten von Machine Learning sowie ML-Workflows beschreiben</p>
<h5>Trainieren von Modellen</h5><p>Modelle mit standardmässigen und benutzerdefinierten Workbenches trainieren</p>
<h5>Verbessertes Modelltraining mit RHOAI</h5><p>Mit RHOAI Best Practices in Machine Learning und Data Science anwenden</p>
<h5>Einführung in die Modellbereitstellung</h5><p>Konzepte und Komponenten beschreiben, die zum Exportieren, Freigeben und Bereitstellen von trainierten ML-Modellen erforderlich sind</p>
<h5>Modellbereitstellung in Red Hat OpenShift AI</h5><p>Trainierte ML-Modelle mit OpenShift AI bereitstellen</p>
<h5>Benutzerdefinierte Modellserver</h5><p>ML-Modelle mit benutzerdefinierten Modellbereitstellungs-Runtimes einsetzen und bereitstellen</p>
<h5>Einführung in Data Science-Pipelines</h5><p>Data Science-Pipelines erstellen, ausführen und verwalten sowie Probleme beheben</p>
<h5>Elyra-Pipelines</h5><p>Data Science-Pipelines mit Elyra erstellen</p>
<h5>KubeFlow-Pipelines</h5><p>Data Science-Pipelines mit dem KubeFlow-SDK erstellen</p>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.- Git-Erfahrung erforderlich
- Erfahrung in der Python-Entwicklung oder Abschluss des Kurses Python Programming with Red Hat (AD141) erforderlich
- Kenntnisse in Red Hat OpenShift oder Abschluss des Kurses Red Hat OpenShift Developer II: Building and Deploying Cloud-native Applications (DO288) erforderlich
- Grundkenntnisse in den Bereichen KI, Data Science und Machine Learning werden empfohlen- 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- 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-PipelinesEinführung 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 erstellen3 Tage3525.002805.002280.002175.002805.002805.002385.001905.002805.002805.002805.0012.00