Curso AI267 Developing and Deploying AI/ML Applications on Red Hat OpenShift AI

- Entrenamiento de modelos.
- Mejora del entrenamiento de modelos con RHOAI.
- Introducción a la distribución de modelos.
- Distribución de modelos en Red Hat OpenShift AI.
- Servidores de modelos personalizados.
- Introducción a la automatización de los flujos de trabajo.
- Elyra Pipelines.
- KubeFlow Pipelines.

Certificación:

Preparación para el examen Red Hat Certified Specialist in OpenShift AI (EX267).

El objetivo del curso no es la preparación directa del examen, sino proporcionarte los fundamentos, competencias y prácticas imprescindibles para que lo afrontes con la más alta probabilidad de éxito. Antes de presentarte al examen es importante que repases y trabajes los contenidos vistos en el curso, aplicando en la práctica lo aprendido. De esta manera, aumentarás de forma significativa tus probabilidades de éxito en la certificación.

Materiales:

Documentación oficial para el curso Developing and Deploying AI/ML Applications on Red Hat OpenShift AI (AI267).

Temario:

Contenidos

Módulo 1: Introducción a Red Hat OpenShift AI
Identificar las funciones principales de Red Hat OpenShift AI y describir la arquitectura y los elementos de Red Hat AI.

Módulo 2: Proyectos de análisis de datos
Organizar el código y la configuración mediante el uso de proyectos de análisis de datos, entornos de trabajo y conexiones de datos.

Módulo 3: Jupyter Notebooks
Usar Jupyter Notebooks para ejecutar y probar el código de forma interactiva.

Módulo 4: Instalación de Red Hat OpenShift AI
Instalar Red Hat OpenShift AI con la consola web y la CLI, y gestionar sus elementos.

Módulo 5: Gestión de usuarios y recursos
Administrar los usuarios de Red Hat OpenShift AI y asignar los recursos destinados a los entornos de trabajo.

Módulo 6: Imágenes de notebooks personalizados
Crear imágenes de los notebooks personalizados e importar uno a través del panel de Red Hat OpenShift AI.

Módulo 7: Introducción al machine learning
Describir los conceptos básicos del machine learning, sus diferentes tipos y sus flujos de trabajo.

Módulo 8: Entrenamiento de modelos
Entrenar modelos mediante el uso de entornos de trabajo predeterminados y personalizados.

Módulo 9: Mejora del entrenamiento de modelos con RHOAI
Usar Red Hat OpenShift AI (RHOAI) para aplicar las prácticas recomendadas del machine learning y el análisis de datos.

Módulo 10: Introducción a la distribución de modelos
Describir los conceptos y los elementos que se necesitan para exportar, compartir y ofrecer modelos de machine learning entrenados.

Módulo 11: Distribución de modelos en Red Hat OpenShift AI
Ofrecer modelos de machine learning entrenados con OpenShift AI.

Módulo 12: Servidores de modelos personalizados
Implementar y ofrecer modelos de machine learning usando tiempos de ejecución personalizados para la distribución de los modelos.

Módulo 13: Introducción a la automatización de los flujos de trabajo
Crear, ejecutar y gestionar los canales de análisis de datos, y resolver sus problemas.

Módulo 14: Elyra Pipelines
Crear un canal de análisis de datos con Elyra.

Módulo 15: KubeFlow Pipelines
Crear un canal de análisis de datos con KubeFlow SDK.

Profesorado:

Perfil del docente:

- Formador certificado por Red Hat.
- Más de 5 años de experiencia profesional.
- Más de 4 años de experiencia docente.
- Profesional activo en empresas del sector IT.

Duración:

24 horas.