Kostenfreie Seminar-Restplätze

Überblick

In diesem Seminar lernen die Teilnehmer die grundlegenden Techniken zur Implementierung von Künstlicher Intelligenz in Python von Grund auf. Sie erhalten eine Einführung in Maschinelles Lernen, Deep Learning und Reinforcement Learning und lernen, wie sie AI-Modelle von der Datenvorverarbeitung bis hin zur Bereitstellung in Produktionsumgebungen entwickeln können. Das Seminar umfasst praktische Übungen zur Implementierung von Modellen, die reale Anwendungsfälle abdecken.

Offene Termine

Weitere Buchungsmöglichkeiten

Details

Am Ende des Seminars sind die Teilnehmer in der Lage, einfache AI-Modelle in Python zu entwickeln, Daten zu analysieren und Vorhersagen zu treffen. Sie lernen, wie sie Maschinelles Lernen, Neuronale Netzwerke und Reinforcement Learning von Grund auf umsetzen und anwenden können.

Dieses Seminar richtet sich an Entwickler, Data Scientists und IT-Fachkräfte, die bereits Grundkenntnisse in Python haben und lernen möchten, wie sie Künstliche Intelligenz und Maschinelles Lernen von Grund auf implementieren können. Grundkenntnisse in Python-Programmierung und Datenverarbeitung sind erforderlich.

• Einführung in Künstliche Intelligenz (AI) und ihre Anwendungen
  • Eine Einführung in die Konzepte der Künstlichen Intelligenz, einschließlich Maschinellem Lernen (ML), Deep Learning und Neuronalen Netzwerken . Die Teilnehmer erhalten einen Überblick über die wichtigsten Anwendungsbereiche von AI wie Bildverarbeitung , Spracherkennung und Automatisierung .
  • Anwendungsbereiche von AI: Beispiele für AI in der Praxis, wie in den Bereichen Finanzen , Gesundheitswesen , Logistik und Kundendienst . Besondere Betonung auf die Automatisierung von Aufgaben und die Verbesserung von Entscheidungsprozessen durch AI.
  • Unterschiede zwischen Supervised , Unsupervised und Reinforcement Learning : Ein Überblick über die verschiedenen Arten von Machine-Learning-Algorithmen und ihre spezifischen Einsatzgebiete in der Praxis.
• Implementierung von Künstlicher Intelligenz in Python
  • Einführung in Python für AI: Warum Python die bevorzugte Sprache für AI-Entwicklung ist. Überblick über wichtige Bibliotheken wie NumPy , Pandas , Matplotlib und Scikit-learn für Datenanalyse und Visualisierung.
  • Grundlagen des Maschinellen Lernens mit Python: Einführung in Scikit-learn zur Implementierung von Algorithmen wie Linearer Regression , K-Nearest Neighbors (KNN) und Support Vector Machines (SVM) .
  • Datenvorverarbeitung und Feature Engineering: Wie man Daten bereinigt, normalisiert und relevante Merkmale extrahiert, um die Leistung von AI-Modellen zu verbessern.
• Praxisübung 1: Implementierung eines einfachen Machine-Learning-Modells
  • Ziel der Übung: Die Teilnehmer implementieren ein einfaches Machine-Learning-Modell von Grund auf und trainieren es mit einem Beispiel-Datensatz.
    • Projektbeschreibung: Entwicklung eines Modells zur Vorhersage von Hauspreisen basierend auf einem Beispiel-Datensatz. Die Teilnehmer lernen, Daten zu laden, zu analysieren, zu trainieren und zu testen.
    • Tools: Python , Scikit-learn , Pandas , NumPy , Matplotlib .
    • Ergebnisse: Die Teilnehmer haben ein funktionsfähiges Machine-Learning-Modell erstellt und dessen Vorhersagen getestet.
• Einführung in Neuronale Netzwerke und Deep Learning
  • Grundlagen neuronaler Netzwerke: Erläuterung der Funktionsweise von Künstlichen Neuronalen Netzwerken (ANNs), inklusive der Forward Propagation und Backpropagation .
  • Einführung in TensorFlow und Keras : Verwendung dieser Frameworks zur Implementierung von Deep-Learning-Modellen. Grundlagen des Modellaufbaus, Aktivierungsfunktionen und Optimierungsalgorithmen.
  • Convolutional Neural Networks (CNNs) für Bildverarbeitung: Erklärung von CNNs und deren Anwendung in der Bildverarbeitung , einschließlich Bildklassifikation und Objekterkennung.
• Reinforcement Learning und seine Anwendung
  • Einführung in Reinforcement Learning: Grundprinzipien von Belohnung und Bestrafung , die ein Modell durch Interaktionen mit der Umgebung lernt.
  • Grundlegende Algorithmen des Reinforcement Learnings: Implementierung von Q-Learning und Deep Q-Networks (DQN) in Python.
  • Beispiele für Reinforcement Learning in der Praxis: Einsatzmöglichkeiten in Robotik , Spielen und autonomen Systemen .
• Praxisübung 2: Entwicklung eines neuronalen Netzwerks zur Bildklassifikation
  • Ziel der Übung: Die Teilnehmer erstellen ein Convolutional Neural Network (CNN) zur Klassifikation von Bildern und trainieren das Modell mit einem Bilddatensatz.
    • Projektbeschreibung: Entwicklung eines Modells, das den MNIST-Datensatz zur Klassifikation von handgeschriebenen Ziffern verwendet.
    • Tools: TensorFlow , Keras , Python .
    • Ergebnisse: Die Teilnehmer haben ein funktionierendes neuronales Netzwerk entwickelt, das in der Lage ist, Ziffern aus Bildern zu erkennen und zu klassifizieren.
• Optimierung und Evaluierung von AI-Modellen
  • Modelloptimierung und Hyperparameter-Tuning: Einführung in Grid Search , Random Search und andere Techniken, um AI-Modelle durch Optimierung von Hyperparametern zu verbessern.
  • Modellbewertung und Cross-Validation: Verwendung von Train-Test-Split , Kreuzvalidierung und Metriken wie Accuracy , Precision , Recall und F1-Score , um die Leistung eines Modells zu messen und zu verbessern.
  • Umgang mit Überanpassung (Overfitting): Techniken wie Regularisierung , Dropout und Datenaugmentation , um zu verhindern, dass ein Modell zu stark an den Trainingsdaten angepasst wird.
• Bereitstellung und Einsatz von AI-Modellen
  • Bereitstellung von AI-Modellen: Einführung in die Bereitstellung von Machine-Learning-Modellen in Produktionsumgebungen mit Tools wie Flask , FastAPI oder Docker .
  • Skalierung von AI-Modellen: Einsatz von Cloud-Diensten wie AWS , Google Cloud oder Microsoft Azure , um AI-Modelle zu skalieren und in verschiedenen Anwendungsfällen zu nutzen.
  • Modelle in Web- und Mobilanwendungen integrieren: Wie man AI-Modelle in Webanwendungen , Mobile Apps und andere Systeme integriert, um sie benutzerfreundlich zu machen.

Überblick

Mit Elastic Stack können Daten verlässlich und sicher aus jeder Quelle in beliebigem Format konsumiert werden, um sie in Echtzeit zu durchsuchen, zu analysieren und zu visualisieren. Elastic Stack besteht aus verschiedenen „Produkten“: Elasticsearch ist eine verteilte, auf JSON basierende Such- und Analytik-Engine, die entwickelt wurde, um horizontale Skalierbarkeit, maximale Zuverlässigkeit und einfache Verwaltung zu gewährleisten. Kibana ist die erweiterbare Benutzeroberfläche für die Konfiguration und Verwaltung aller Aspekte des Elastic Stack. Logstash ist eine dynamische Pipeline für die Datenerfassung mit einem erweiterbaren Plugin-Ökosystem. Beats ist die Plattform, die Daten von weit verteilten Maschinen an Logstash und Elasticsearch übermittelt. In dieser Schulung lernen Sie sie verschiedenen Produkte des Elastic Stack kennen und nutzen. 

An ersten Tag werden Sie die Grundlagen von Elasticsearch und das Zusammenspiel der weiteren Tools im Elastic Stack kennenlernen. Sie werden Daten in einen verteilten Suchcluster indizieren und am Beispiel von Logfiles die Auswertung mit Kibana üben. Die Erstellung von Visualisierungen und eines Dashboards rundet den ersten praktischen Tag ab.
Am zweiten Tag liegt der Fokus in der Integration von Daten. Anhand verschiedener Logfile Formate lernen Sie die beiden Tools Beats und Logstash kennen. Sie schreiben Konfigurationen und lernen so die Vor- und Nachteile der beiden Tools Filebeat und Logstash kennen.
Am dritten Tag werden wir einen verteilten Elasticsearch Cluster erstellen. Sie lernen die wichtigsten Konfigurationen kennen, um Elasticsearch im produktiven Umfeld zu betreiben. Anhand verschiedener Szenarien berechnen wir die optimale Anzahl an Nodes, Shards und Indizes kennen und gehen auf die Möglichkeiten eines automatisierten Indexmanagements ein. Weitere Themen sind Backups, die richtige Absicherung des Elastic Stacks sowie die unterschiedlichen Lizenzmodelle.

Offene Termine

Weitere Buchungsmöglichkeiten

Details

Nach dem Seminar kennen Sie die Komponenten und Möglichkeiten des Elastic Stack. Sie können mit Elasticsearch Daten speichern, durchsuchen sowie analysieren. Sie benutzen Kibana um Daten zu visualisieren und durch den Elastic Stack zu navigieren. Sie zentralisieren, transformieren und speichern Daten mit Logstash und verwenden Beats zur Verteilung der Daten. Außerdem erwarten Sie zahlreiche konkrete Anwendungsbeispiele und Hinweise zum Einsatz und Betrieb des Elastic Stack.

Entwickler, Administratoren, Softwarearchitekten mit Grundkenntnissen in Web-Technologien und Web-Applikationen, die den Elastic Stack für die Entwicklung von Lösungen einsetzen wollen. 

• Elasticsearch Grundlagen
  • Allgemeines zu Suchmaschinen
  • Zusammenspiel des Elastic Stack
  • Datenimport / Indizierung von Daten
  • Mappings / Schemafreiheit
  • Unterschiede zwischen Opensearch und Elasticsearch
• Kibana - Daten visualisieren und durch den Elastic Stack navigieren
  • Discover Interface
  • Visualisierungen
  • Dashboard
  • Time Series Analysen
  • Machine Learning
• Beats - Daten transferieren
  • Laden von Logfiles mit Filebeat
  • Verarbeitung von verschiedenen Logfileformaten
  • Umgang mit Java Logs
  • Auslesen von Systeminformationen mit Metricbeat / Winlogbeat
• Logstash - Daten zentralisieren, transformieren und speichern
  • Installation
  • Datenquellen anbinden
  • Filtermöglichkeiten (Grok, Geoip etc.)
  • Outputs anbinden
  • Best Practices zum Betrieb
• Elastic Stack in der Produktion
  • Erstellung eines verteilten Elasticsearch Clusters
  • Berechnung der Anzahl von Shards, Nodes
  • Node Rollen im Elasticsearch Cluster
  • Automatisiertes Indexmanagement
  • Konfiguration für den Livebetrieb
  • Backups und Updates
  • Absicherung des Elastic Stacks
  • Lizenzmodelle
  • Alerting
    
    

Überblick

Fast jedes Unternehmen möchte die Automatisierung vorantreiben, ob einzelner Server oder die komplette Infrastruktur, On-Premises oder die Cloud: Mit Ansible kann die Installation, Konfiguration und Wartung der Systeme automatisiert werden. Neben der Möglichkeit, administrative Aufgaben zu beschleunigen, können auch Aufgaben wiederverwendbar implementiert werden. Administratoren und Anwendungsentwickler:innen profitieren sehr von einer solchen Plattform. In diesem Workshop erlernen Sie die Grundlagen für Ansible. Neben dem theoretischen Wissen werden alle Ideen auch praxisnah realisiert. Mit Ansible Playbooks erstellen Sie Skripte für komplexe Aufgaben und bauen diese anschließend durch das Rollenkonzept modular auf.

Offene Termine

Weitere Buchungsmöglichkeiten

Details

Nach Teilnahme am Seminar "Ansible - Automatisierung von Applikationen und Infrastruktur" haben Sie solide Grundlagen in Ansible / Automatisierung erhalten. Sie verfügen über einen guten Einblick in die Möglichkeiten von Ansible.

Die Schulung eignet sich für Server-Administratoren, Plattform-Architekten und PreSales-Mitarbeitende aus dem Automatisierungs-Umfeld.
Die Bereitschaft, sich mit den Themen Automatisierung und Ansible technisch auseinanderzusetzen sowie ein Grundverständnis der Rechenzentrums-Bausteine Compute, Network und Storage sind Voraussetzung für eine erfolgreiche Kursteilnahme. Linux-Kenntnisse sind wünschenswert, werden aber nicht vorausgesetzt.

• Architektur von Ansible
  • Ansible Grundlagen und Architektur
  • Installation Ansible auf dem Master
  • Anlegen eines Users auf dem Host
  • SSH-Keys erzeugen und übertragen
• Installation und Konfiguration eines Ansible-Hosts
  • Einzelhosts
  • Gruppen von Hosts
  • Variablen
  • Inventory
• Erstellen von Playbooks
  • Aufbau und Beispiele
  • Loops
  • User anlegen mit Variablen
  • Conditions
  • Filter
  • Trigger und Handler
• Ansible-Role und Ansible-Galaxy
  • Install
  • Init
• Einführung in YAML
  • Listen in YAML
• Automatisierung von Applikationen (zum Beispiel Webserver)
• Schnittstellen zu anderen Plattformen
• Debugging und Testing
  
  

Überblick

In diesem Seminar lernen Sie fortgeschrittene Techniken und Best Practices zur Verwaltung und Optimierung von Proxmox VE kennen. Proxmox VE ist eine Open-Source-Plattform für Virtualisierung, die eine leistungsfähige und flexible Verwaltung von VMs und Containern ermöglicht. 

Das Seminar behandelt Themen wie Hochverfügbarkeit, Backup-Strategien, Netzwerk- und Speicherverwaltung sowie die Integration externer Tools und Services. 

Sie erhalten praxisnahe Anleitungen und können Ihr Wissen durch praktische Übungen vertiefen. 

Diese Schulung ist ideal für IT-Professionals, die bereits grundlegende Kenntnisse in Proxmox VE haben und ihre Fähigkeiten auf die nächste Stufe heben möchten.

Offene Termine

Weitere Buchungsmöglichkeiten

Details

Nach Abschluss dieses Seminars sind Sie in der Lage, fortgeschrittene Konfigurationen und Optimierungen in Proxmox VE durchzuführen. Sie können Benutzer und Speicher effizient verwalten und kennen die besten Praktiken für den Betrieb einer stabilen und leistungsfähigen Virtualisierungsumgebung.

Dieses Seminar richtet sich an IT-Professionals, Systemadministratoren und Netzwerkingenieure, die bereits grundlegende Kenntnisse in Proxmox VE haben und diese erweitern möchten.

• Erfahrung im Umgang mit Virtualisierungstechnologien.
• Kenntnisse in Netzwerktechnologien und Speicherverwaltung sind von Vorteil.
• Idealerweise haben Sie bereits die Schulung Proxmox VE Grundlagen oder Proxmox VE - Installation und Administration besucht oder haben vergleichbare Vorkenntnisse im Bereich Proxmox VE
  
  

• Einführung in fortgeschrittene Proxmox VE Themen
  • Cluster-Setup: Einführung in Konzepte, Architektur und Technologie
  • Hardware-Anforderungen an Proxmox VE-Cluster Installationen
  • Funktionen, Setup, Konfiguration und Management von Proxmox VE-Clustern
• Sicherstellung der Verfügbarkeit von virtuellen Gästen
  • Uptime-Management von Gastsystemen
  • Hochverfügbarkeit mit Proxmox VE HA-Manager und Corosync
• Sicherheit
  • Fortgeschrittene Benutzerverwaltung mit Realms 
  • Sicherheitskonzepte für den Betrieb von Proxmox VE
  • Netzwerkkonfiguration mit Bonding und Bridges
• Fortgeschrittene Speichertechniken
  • Einführung in Hyper-konvergente Infrastruktur mit Ceph
  • Replikation innerhalb des Proxmox VE Clusters
• Einsatz in der Praxis
  • Verwendung und Funktionalitäten der Proxmox VE API
  • Troubleshooting für Single- und Cluster-Setups
• Viele praktische Übungen zur Anwendung des gelernten Wissens
  
  

Überblick

Das Veeam Training wird begleitet von dem Praxishandbuch Veeam Backup & Replication VMware vSphere 6.7 [/url], dessen Autor diese Veeam Schulung abhält.
Mit Veeam Backup und Replication hat sich für virtuelle Umgebungen seit Jahren ein Produkt etabliert, das mehr ist als ein reines Backup-Programm. In Kombination mit der integrierten Replication erhält hier jeder Administrator ein komfortables Werkzeug, das bei der Wiederherstellung von virtualisierten Daten, Anwendungen und VMs schnell und zuverlässig hilft. Seine hohe Flexibilität lässt Veeam Backup & Replication zu einem (fast) unverzichtbaren Bestandteil bei der Administration von (fast) allen virtuellen Umgebungen werden.
In diesem 1-tägigen Seminar lernen Sie die Einsatzmöglichkeiten von Veeam Backup & Replication unter VMware vSphere kennen. Neben der Nutzung für "normale" VMs und physische Systeme werden selbstverständlich auch die vielfältigen Optionen für einige Serverfunktionen (z.B. AD-DCs, Exchange) thematisiert.

Sie wünschen Übungen und Praxisbeispiele? Dann empfehlen wir Ihnen den 2 tägigen Workshop Veeam Backup & Replication für VMware und Hyper-V, Workshop

Offene Termine

Weitere Buchungsmöglichkeiten

Details

Nach diesem Seminar sind Sie in der Lage Veeam Backup & Replication zu installieren und zu konfigurieren, Backupjobs für Standard VMs, Datenbank- und / oder Exchangeserver und Domänenkontroller korrekt zu erstellen. Weiterhin können Sie komplette VMs, Dateien, Tabellen, AD Objekte, Postfächer, E-Mails, etc. wieder herstellen.

Die Teilnehmer sollten Grundkenntnisse in der Virtualisierungslösung vSphere 5/6 und von Storage Systemen haben und wissen, was virtuelle Maschinen sind. Weiterhin ist ein Interesse an einer zuverlässigen Backupsoftware für VMs Voraussetzung.

• Grundlagen der Datensicherung für VMs
  • Vergleich von kostenlosen und nicht freien Backup-Lösungen
  • Unterschiede zwischen Backups für physische und virtuelle Maschinen
  • Erklärung von Technologien wie Deduplication, CBT, Snapshots und vStorage APIs
• Installation und Konfiguration der Software
  • Voraussetzungen und Vorbereitungen für die Installation
  • Installation der Anwendung und Erstkonfiguration
  • Einbinden von Bandlaufwerken und Storages für die Sicherungen
• Backupjobs planen und einrichten
  • Backup-Strategien: Full-Backup, inkrementelle, differenzielle oder synthetische Backups
  • "Normale" VMs sichern oder replizieren
  • Exchange-, AD- und Datenbank Server sichern sowie Log-Dateien löschen
• Wiederherstellung und Desaster-Recovery
  • Vollständige VMs zurücksichern oder Replicas starten
  • Filelevelrestore, Postfächer, E-Mails, Datenbanktabellen und -Zeilen zurückholen
  • VMs aus dem deduplizierten Sicherungsspeicher starten
• Besonderheiten der Anwendung
  • Virtuelle "Laborumgebung" für komplexe Objekte aus der Datensicherung
  • Automatische Überprüfung der gesicherten Daten
  • Performance-Vorteile für Replikationen und Sicherungen
  • Integration in bestehende Backuplösungen