Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
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