Kursplan

Införandet

  • Kubeflow På Azure jämfört med lokalt jämfört med på andra offentliga molnleverantörer

Översikt över Kubeflow Funktioner och arkitektur

Översikt över distributionsprocessen

Aktivera ett Azure-konto

Förbereda och starta GPU-aktiverade virtuella datorer

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 AKS

Mellanlagring av tränings- och valideringsdata

Konfigurera Kubeflow pipelines

Starta ett utbildningsjobb.

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 intresserade av implementering av maskininlärningsmodeller.
  • Mjukvaruingenjörer som vill automatisera integrationen och driftsättningen av maskininlärningsfunktioner med sin applikation.
  28 timmar
 

Antal deltagare


Starts

Ends


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Vittnesmål (3)

Relaterade Kurser

Relaterade Kategorier