Kursplan

Införandet

  • Kubeflow på AWS vs on-premise vs på andra offentliga molnleverantörer

Översikt över Kubeflow funktioner och arkitektur

Aktivera ett AWS-konto

Förbereda och starta GPU-aktiverade AWS-instanser

Ställa in användarroller och behörigheter

Förbereda byggmiljön

Välja en TensorFlow modell och datauppsättning

Paketera kod och ramverk i en Docker-avbildning

Konfigurera ett Kubernetes kluster med EKS

Mellanlagring av tränings- och valideringsdata

Konfigurera Kubeflow pipelines

Starta ett utbildningsjobb med Kubeflow i EKS

Visualisera träningsjobbet i körning

Rensa upp när jobbet har slutförts

Felsökning

Sammanfattning och slutsats

Krav

  • En förståelse för maskininlärningskoncept.
  • Kunskaper om cloud computing-koncept.
  • En allmän förståelse för containrar (Docker) och orkestrering (Kubernetes).
  • Viss Python programmeringserfarenhet är till hjälp.
  • Erfarenhet av att arbeta med en kommandorad.

Publik

  • Datavetenskapliga ingenjörer.
  • DevOps ingenjörer som är intressanta för implementering av maskininlärningsmodeller.
  • Infrastrukturingenjörer som är intressanta för implementering av maskininlärningsmodeller.
  • Mjukvaruingenjörer som vill integrera och distribuera maskininlärningsfunktioner med sin applikation.
 28 timmar

Antal deltagare


Price per participant

Vittnesmål (3)

Upcoming Courses

Relaterade Kategorier