Kom i kontakt

Kursplan

Introduktion

Översikt över Kubeflows funktioner och komponenter

  • Containers, manifests m. m.

Översikt över en pipeline för maskininlärning

  • Träning, testning, justering, distribution m. m.

Distribution av Kubeflow till en Kubernetes-kluster

  • Förberedelse av körningsmiljön (träningskluster, produktionskluster m. m.)
  • Laddning ner, installation och anpassning.

Körning av en pipeline för maskininlärning på Kubernetes

  • Skapande av en TensorFlow-pipeline.
  • Skapande av en PyTorch-pipeline.

Visualisering av resultaten

  • Export och visualisering av pipeline-metrisk

Anpassning av körningsmiljön

  • Anpassning av stacken för olika infrastruktur
  • Uppgradering av en Kubeflow-distribution

Körning av Kubeflow i publika moln

  • AWS, Microsoft Azure, Google Cloud Platform

Hantering av produktionsarbetsflöden

  • Körning enligt GitOps-metodologin
  • Schema in av jobb
  • Skapande av Jupyter-notebooks

Felsökning

Sammanfattning och slutsats

Krav

  • Kännedom till Python-syntax 
  • Erfarenhet av TensorFlow, PyTorch eller andra maskininlärningsramverk
  • Ett konto hos en publik molnleverantör (valfritt) 

Målgrupp

  • Utvecklare
  • Datavetare
 28 Timmar

Antal deltagare


Pris per deltagare

Kommande Kurser

Relaterade Kategorier