Oversikt over relevante kurs innen IT kompetanse i Ullern

Modern Service Oriented Architecture [-]

AI-3002: Create document intelligence solutions with Azure AI Document Intelligence [-]

 This course teaches you to leverage your existing knowledge of Python and machine learning to manage data ingestion and preparation, model training and deployment, and machine learning solution monitoring in Microsoft Azure. TARGET AUDIENCE This course is designed for data scientists with existing knowledge of Python and machine learning frameworks like Scikit-Learn, PyTorch, and Tensorflow, who want to build and operate machine learning solutions in the cloud. COURSE CONTENT Module 1: Introduction to Azure Machine Learning In this module, you will learn how to provision an Azure Machine Learning workspace and use it to manage machine learning assets such as data, compute, model training code, logged metrics, and trained models. You will learn how to use the web-based Azure Machine Learning studio interface as well as the Azure Machine Learning SDK and developer tools like Visual Studio Code and Jupyter Notebooks to work with the assets in your workspace. Getting Started with Azure Machine Learning Azure Machine Learning Tools Lab : Creating an Azure Machine Learning WorkspaceLab : Working with Azure Machine Learning Tools After completing this module, you will be able to Provision an Azure Machine Learning workspace Use tools and code to work with Azure Machine Learning Module 2: No-Code Machine Learning with Designer This module introduces the Designer tool, a drag and drop interface for creating machine learning models without writing any code. You will learn how to create a training pipeline that encapsulates data preparation and model training, and then convert that training pipeline to an inference pipeline that can be used to predict values from new data, before finally deploying the inference pipeline as a service for client applications to consume. Training Models with Designer Publishing Models with Designer Lab : Creating a Training Pipeline with the Azure ML DesignerLab : Deploying a Service with the Azure ML Designer After completing this module, you will be able to Use designer to train a machine learning model Deploy a Designer pipeline as a service Module 3: Running Experiments and Training Models In this module, you will get started with experiments that encapsulate data processing and model training code, and use them to train machine learning models. Introduction to Experiments Training and Registering Models Lab : Running ExperimentsLab : Training and Registering Models After completing this module, you will be able to Run code-based experiments in an Azure Machine Learning workspace Train and register machine learning models Module 4: Working with Data Data is a fundamental element in any machine learning workload, so in this module, you will learn how to create and manage datastores and datasets in an Azure Machine Learning workspace, and how to use them in model training experiments. Working with Datastores Working with Datasets Lab : Working with DatastoresLab : Working with Datasets After completing this module, you will be able to Create and consume datastores Create and consume datasets Module 5: Compute Contexts One of the key benefits of the cloud is the ability to leverage compute resources on demand, and use them to scale machine learning processes to an extent that would be infeasible on your own hardware. In this module, you'll learn how to manage experiment environments that ensure consistent runtime consistency for experiments, and how to create and use compute targets for experiment runs. Working with Environments Working with Compute Targets Lab : Working with EnvironmentsLab : Working with Compute Targets After completing this module, you will be able to Create and use environments Create and use compute targets Module 6: Orchestrating Operations with Pipelines Now that you understand the basics of running workloads as experiments that leverage data assets and compute resources, it's time to learn how to orchestrate these workloads as pipelines of connected steps. Pipelines are key to implementing an effective Machine Learning Operationalization (ML Ops) solution in Azure, so you'll explore how to define and run them in this module. Introduction to Pipelines Publishing and Running Pipelines Lab : Creating a PipelineLab : Publishing a Pipeline After completing this module, you will be able to Create pipelines to automate machine learning workflows Publish and run pipeline services Module 7: Deploying and Consuming Models Models are designed to help decision making through predictions, so they're only useful when deployed and available for an application to consume. In this module learn how to deploy models for real-time inferencing, and for batch inferencing. Real-time Inferencing Batch Inferencing Lab : Creating a Real-time Inferencing ServiceLab : Creating a Batch Inferencing Service After completing this module, you will be able to Publish a model as a real-time inference service Publish a model as a batch inference service Module 8: Training Optimal Models By this stage of the course, you've learned the end-to-end process for training, deploying, and consuming machine learning models; but how do you ensure your model produces the best predictive outputs for your data? In this module, you'll explore how you can use hyperparameter tuning and automated machine learning to take advantage of cloud-scale compute and find the best model for your data. Hyperparameter Tuning Automated Machine Learning Lab : Tuning HyperparametersLab : Using Automated Machine Learning After completing this module, you will be able to Optimize hyperparameters for model training Use automated machine learning to find the optimal model for your data Module 9: Interpreting Models Many of the decisions made by organizations and automated systems today are based on predictions made by machine learning models. It's increasingly important to be able to understand the factors that influence the predictions made by a model, and to be able to determine any unintended biases in the model's behavior. This module describes how you can interpret models to explain how feature importance determines their predictions. Introduction to Model Interpretation using Model Explainers Lab : Reviewing Automated Machine Learning ExplanationsLab : Interpreting Models After completing this module, you will be able to Generate model explanations with automated machine learning Use explainers to interpret machine learning models Module 10: Monitoring Models After a model has been deployed, it's important to understand how the model is being used in production, and to detect any degradation in its effectiveness due to data drift. This module describes techniques for monitoring models and their data. Monitoring Models with Application Insights Monitoring Data Drift Lab : Monitoring a Model with Application InsightsLab : Monitoring Data Drift After completing this module, you will be able to Use Application Insights to monitor a published model Monitor data drift   [-]

AI-102: Designing and Implementing a Microsoft Azure AI Solution [-]

Modern Application Architecture [-]

AI-050: Develop Generative AI Solutions with Azure OpenAI Service [-]

CEH: Certified Ethical Hacker v13 [-]

AI-3004: Build an Azure AI Vision solution with Azure AI services [-]

  Studieår: 2013-2014   Gjennomføring: Vår Antall studiepoeng: 5.0 Forutsetninger: Ingen Innleveringer: For å kunne gå opp til eksamen må 8 utvalgte øvingsoppgaver være godkjente. Det settes krav til at studenten har tilgang til en PC som kan brukes til praktiske maskinvare- og programvareendringer for å trene på feildiagnostisering og feilretting. Maskinen kan gjerne være en eldre og utdatert maskin, men den må virke. Personlig veileder: ja Vurderingsform: Skriftlig eksamen, individuell, 3 timer. Ansvarlig: Geir Ove Rosvold Eksamensdato: 20.12.13 / 23.05.14         Læremål: KUNNSKAPER:Kandidaten:- har innsikt i datamaskinens virkemåte både fra et teoretisk og praktisk ståsted- kjenner godt til de enkelte komponenter i datamaskinen og hvordan de virker sammen- kjenner til de grunnleggende matematikk- og informatikktema (tallsystemer, datarepresentasjon, lokalitet) som er relevante for emnets tekniske hovedtemaer FERDIGHETER:Kandidaten:- kan gjøre nytte av sine teoretiske kunnskaper inne emnets tema i relevant praktisk problemløsing- kan optimalisere, oppgradere og holde ved like en datamaskin, samt diagnostisere, feilsøke og reparere en datamaskin ved de vanligste feilsituasjoner GENERELL KOMPETANSE:Kandidaten:- har kompetanse til selvstendig både å formidle og å ta i bruk sine kunnskaper og ferdigheter innen emnets tema- kan i en praktisk driftssituasjon, forklare og gjøre bruk av sin kunnskap både innen hvert enkelt tema i faget og på tvers av temaene Innhold:Datamaskinarkitektur: De viktigste komponentene og deres virkemåte og oppbygging: CPU, buss, lagerteknologier (cache og ulike typer primær- og sekundærlager), kontrollere og io-utstyr, avbruddsmekanismen, DMA, brikkesett og moderne systemarkitektur, ulike maskinklasser. Prosessorarkitektur: Pipeline, superskalaritet, dynamisk utføring, mikrooperasjoner, kontrollenheten, hardkoding kontra mikroprogrammering, RISC og CISC. Teori-tema: Tallsystemer. Datarepresentasjon og -aritmetikk. Buss- og lagerhierarki. Cache og lokalitet. Høynivåspråk kontra assembly. Praktisk driftsarbeid: Kabinett, hovedkort, ulike prosessorer, buss, RAM, cache, BIOS. Lyd-, nettverks-og skjermkort. Sekundærminne (Harddisk, CD-ROM, DVD, tape og andre typer). Avbruddsmekanismen, I/O, DMA og busmastering. Å oppdage og rette feil. Boot-prosessen. Formatering, partisjonering.Les mer om faget her [-]

Objectives Describe specialized data classifications on Azure Identify Azure data protection mechanisms Implement Azure data encryption methods Secure Internet protocols and how to implement them on Azure Describe Azure security services and features Agenda Module 1: Identity and Access -Configure Azure Active Directory for Azure workloads and subscriptions-Configure Azure AD Privileged Identity Management-Configure security for an Azure subscription Module 2: Platform Protection -Understand cloud security-Build a network-Secure network-Implement host security-Implement platform security-Implement subscription security Module 3: Security Operations -Configure security services-Configure security policies by using Azure Security Center-Manage security alerts-Respond to and remediate security issues-Create security baselines Module 4: Data and applications -Configure security policies to manage data-Configure security for data infrastructure-Configure encryption for data at rest-Understand application security-Implement security for application lifecycle-Secure applications-Configure and manage Azure Key Vault       [-]

Dette kurset tilbys som bedriftsinternt kurs   Maskinlæring handler om sette datamaskiner i stand til å lære fra og utvikle atferd basert på data. Det vil si at en datamaskin kan løse en oppgave den ikke er eksplisitt programmert for å håndtere. I stedet er den i stand til å automatisk lære gjenkjenning av komplekse mønstre i data og gjøre beslutninger basert på dette disse. Maskinlæring gir store muligheter, men mange bedrifter har problemer med å ta teknologien i bruk. Nøyaktig hvilke oppgaver kan maskinlæring utføre, og hvordan kommer man i gang? Dette kurset gir oversikt over mulighetene som ligger i maskinlæring, og hvordan i tillegg til kunnskap om hvordan teknologien kan løse oppgaver og skape resultater i praksis. Hva er maskinlæring, datavitenskap og kunstig intelligens og hvordan det er relatert til statistikk og dataanalyse? Hvordan å utvinne kunnskap fra dataene dine? Hva betyr Big data og hvordan analyseres det? Hvor og hvordan skal du bruke maskinlæring til dine daglige forretningsproblemer? Hvordan bruke datamønstre til å ta avgjørelser og spådommer med eksempler fra den virkelige verden? Hvilke typer forretningsproblemer kan en maskinen lære å håndtere Muligheter som maskinlæring gir din bedrift Hva er de teoretiske aspekter på metoder innen maskinlæring? Hvilke ML-metoder som er relevante for ulike problemstillinger innen dataanalyse? Hvordan evaluere styrker og svakheter mellom disse algoritmene og velge den beste? Anvendt data science og konkrete kunde eksempler i praksis   Målsetning Kurset gir kunnskap om hvordan maskinlæring kan løse et bestemt problem og hvilke metoder som egner seg i en gitt situasjon. Du blir i stand til å kan skaffe deg innsikt i data, og vil kunne identifisere egenskapene som representerer dem best. Du kjenner de viktigste maskinlæringsalgoritmene og hvilke metoder som evaluerer ytelsen deres best. Dette gir grunnlag for kontinuerlig forbedring av løsninger basert på maskinlæring.   [-]

Agenda Module 1: Creating Azure App Service Web Apps -Azure App Service core concepts-Creating an Azure App Service Web App-Configuring and Monitoring App Service apps-Scaling App Service apps-Azure App Service staging environments Module 2: Implement Azure functions -Azure Functions overview-Developing Azure Functions-Implement Durable Functions Module 3: Develop solutions that use blob storage -Azure Blob storage core concepts-Managing the Azure Blob storage lifecycle-Working with Azure Blob storage Module 4: Develop solutions that use Cosmos DB storage -Azure Cosmos DB overview-Azure Cosmos DB data structure-Working with Azure Cosmos DB resources and data Module 5: Implement IaaS solutions -Provisioning VMs in Azure-Create and deploy ARM templates-Create container images for solutions-Publish a container image to Azure Container Registry-Create and run container images in Azure Container Instances Module 6: Implement user authentication and authorization -Microsoft Identity Platform v2.0-Authentication using the Microsoft Authentication Library-Using Microsoft Graph-Authorizing data operations in Azure Storage Module 7: Implement secure cloud solutions -Manage keys, secrets, and certificates by using the KeyVault API-Implement Managed Identities for Azure resources-Secure app configuration data by using Azure App Configuration Module 8: Implement API Management -API Management overview-Defining policies for APIs-Securing your APIs Module 9: Develop App Service Logic Apps -Azure Logic Apps overview-Creating custom connectors for Logic Apps Module 10: Develop event-based solutions -Implement solutions that use Azure Event Grid-Implement solutions that use Azure Event Hubs-Implement solutions that use Azure Notification Hubs Module 11: Develop message-based solutions -Implement solutions that use Azure Service Bus-Implement solutions that use Azure Queue Storage queues Module 12: Monitor and optimize Azure solutions -Overview of monitoring in Azure-Instrument an app for monitoring-Analyzing and troubleshooting apps-Implement code that handles transient faults Module 13: Integrate caching and content delivery within solutions -Develop for Azure Cache for Redis-Develop for storage on CDNs [-]

AI-3003: Develop natural language processing solution with Azure AI Services [-]

Kursinnhold• Systemutvikling, prosess og metode• Datahåndteringe og databaser  • Programmering• Brukergrensesnitt og webdesign   UndervisningsformKlasseromsundervisning med prosjektor hvor deltakerne får tildelt PC med nødvendig programvare installert. Praktisk trening med øvingsoppgaver for å aktivisere kunnskapen.   InstruktørerVi har erfarne instruktørene med høy kompetanse, lang erfaring og dyktige pedagogiske evner.   Målsetning Modul Build består av de tradisjonelle, tekniske aspektene ved design, spesifikasjon, utvikling, testing, integrering og anvendelse av IT-systemer. Det krever at kandidaten forstår systemutviklingens livssyklus, kjenner til den typiske utviklingsprosessen og er klar over de nyeste utviklingstrekk innen programvare. Kandidaten skal også kunne benytte relevante metoder og verktøy. Kandidaten skal kjenne til designprinsipper knyttet til brukergrensesnitt, websider og hypermedia, så vel som de som brukes i relasjonsdatabaser og datavarehus. Kandidaten vil også få en grunnleggende kunnskap om søkespråk og være oppmerksom på noen viktige databaseadministrasjonsproblemer. I tillegg skal kandidaten være i stand til å anvende typiske datastrukturer og algoritmer, gjenkjenne ulike programmeringsspråk og konstruksjoner, vurdere problemer med å opprettholde systemer, samt kjenne til dokumentasjon og testing av software systemer. [-]

Kursinnhold• Organisasjoner og bruk av IT• IT- ledelse  • Verdsettelse av IT• Den globale nettverksøkonomien• Prosjektledelse• Samarbeid og kommunikasjon• Juridiske og etiske problemstillinger   UndervisningsformKlasseromsundervisning med prosjektor hvor deltakerne får tildelt PC med nødvendig programvare installert. Praktisk trening med øvingsoppgaver for å aktivisere kunnskapen.   InstruktørerVi har erfarne instruktørene med høy kompetanse, lang erfaring og dyktige pedagogiske evner.   MålsetningModul Plan, ser på organisasjoner og deres bruk av IT, både som en tilrettelegger for effektive informasjonsystemer, og som en plattform for innovasjon. Modulen krever at kandidaten skal ha en grundig forståelse av organisasjoner, deres strategier og forretningsprosesser, samt de globale trender og muligheter som er involvert. Kandidaten skal kjenne igjen de viktigste problemstillinger knyttet til styringen av IT, som for eksempel å velge riktig teknologi, eller å velge mellom utvikling av interne systemer eller outsourcing. Kandidaten skal også kunne begrunne IT-investeringer og få kjennskap til noen av de juridiske og etiske aspekter ved bruken av IT. Kandidaten skal bli oppmerksomm på kravet om en profesjonell tilnærming til prosjektledelse og kvalitetsikring. Kandidaten skal også forstå betydningen av teambygging og effektivt kommunikasjon når man presenterer sin analyse eller beslutning for organisasjonen. [-]