6月10日,极狐(GitLab)正式上线DevOps系列培训课程和相关认证体系,完成课程培训并通过相应考试,即可获得极狐(GitLab)官方认证证书。
DevOps是近年来软件开发领域最热、最前沿的概念之一,它彻底改变了软件开发和交付方式,使得软件开发人员(dev)和运营(ops)团队能够通过自动化、协作、快速反馈和迭代改进来加速软件开发生命周期。
GitLab是全球最常用的DevOps工具之一。据估算,GitLab在全球范围内拥有超过3000万的注册用户,10万以上的企业级用户。在国内,有数百万的GitLab注册用户,极狐(GitLab)从本地需求出发,为帮助广大中国用户掌握GitLab应用最佳实践,成为DevOps领域专家,并进一步推动开源DevOps技术的发展和落地,正式推出《极狐GitLab DevOps系列培训课程》和考试认证体系,课程涵盖极狐GitLab的基础理论、项目管理、安全功能及系统管理等内容。
《极狐GitLab DevOps系列培训课程》主要面向使用极狐GitLab的DevOps工程师、安全审计人员、系统运维工程师、系统管理员、项目经理或项目管理人员,全方位覆盖DevOps的理论、功能及实操,旨在帮助企业和团队深入了解极狐GitLab在DevOps各个应用场景中的解决方案,提高企业和团队的DevOps能力,并为DevOps平台落地提供最佳实践参考。
该系列课程从极狐GitLab与Git基础(提供官网免费试学),到如何基于极狐GitLab实现持续集成/持续部署(CI/CD),如何使用极狐GitLab进行项目管理,如何通过issue管理软件产品开发或者其他项目,再到有关DevSecOps/安全左移与系统管理的专业知识,层层递进,逐渐深入。
极狐(GitLab)为学员提供由原厂培训服务,讲师均来自极狐(GitLab)资深的核心系统架构师团队及专家服务团队,课程设置Hands-on Labs 实践训练,以远程教学或线下培训的形式,确保学员可以成功应用所学知识,并顺利通过认证考试。相关课程信息已上线极狐(GitLab)公司官网(https://about.gitlab.cn/services/education/)。
与此同时,极狐(GitLab)配套推出DevOps认证体系,完成不同级别的课程,即可获得相应的证书和徽章,帮助学习者增强自身的就业竞争力,为企业雇主打造专家级DevOps团队和数字化人才储备提供有利抓手。
极狐(GitLab)创始人兼CEO陈冉表示,作为开源的引领者与推动者,极狐(GitLab) 希望赋能更多开发者协同创新:“如今,DevOps处于高速增长的阶段,受到各大企业的欢迎。我们推出DevOps系列培训课程,希望以此为契机,帮助更多开发者掌握新技能,进入行业生态,共同推动DevOps理念和技术的成熟。”
未来,极狐(GitLab)公司将持续为中国用户打造“开源开放,人人贡献”的平台,在此基础之上,大力发展开源培训和教育,扶植初创科技企业和青年人才,并进研发和最佳实践,助力构建DevOps相关技术标准,繁荣开源社区。
关于极狐(GitLab)
极狐(GitLab)公司面向中国市场,提供全球知名开源代码托管和项目管理平台GitLab的本地化DevOps产品——极狐GitLab。极狐(GitLab)公司秉承“核心开放(Open-core)” 原则,结合全球领先的DevOps技术与国产化自研创新和定制化服务,致力于为中国用户提供一站式覆盖软件开发生命周期的开放一体化DevOps平台,为整个DevOps生命周期提供了单一的数据存储、用户界面和权限模型,实现产品、开发、QA、安全和运维团队间的高效协同,显著加快软件创新生命周期。极狐(GitLab)公司以“中外合资3.0”模式创立,在中国本地独立运营,公司资方包括GitLab Inc. 、红杉宽带跨境数字产业基金,以及高成资本。
好文章,需要你的鼓励
工业升级的关键,或许在于智能本身。“工业+机器人”将成为通向下一阶段工业体系的核心抓手。——黄仁勋。
浙江大学等联合研究发现,AI强化学习效果取决于"模型-任务对齐"程度。当AI擅长某任务时,单样本训练、错误奖励等非常规方法也有效;但面对陌生任务时,这些方法失效,只有标准训练有用。研究团队通过大量实验证实,这种"舒适圈"现象比数据污染更能解释训练差异,为AI训练策略优化提供了新思路。
瑞士政府正式发布了自主研发的人工智能模型,该模型完全基于公共数据进行训练。这一举措标志着瑞士在AI技术自主化方面迈出重要一步,旨在减少对外国AI技术的依赖,同时确保数据安全和隐私保护。该模型的推出体现了瑞士对发展本土AI能力的战略重视。
巴赫切希尔大学研究团队通过对五种不同规模YOLO模型的量化鲁棒性测试发现,静态INT8量化虽能带来1.5-3.3倍速度提升,但会显著降低模型对噪音等图像损伤的抵抗能力。他们提出的混合校准策略仅在大型模型处理噪音时有限改善,揭示了效率与鲁棒性平衡的复杂挑战。