Kursplan

Införandet

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

Översikt över Kubeflow funktioner i IBM Cloud

  • IKS
  • IBM Cloud Object Storage

Översikt över miljöinställningar

  • Förbereda virtuella datorer
  • Konfigurera ett Kubernetes-kluster

Konfigurera Kubeflow på IBM Cloud

  • Installera Kubeflow via IKS

Kodning av modellen

  • Välja en ML-algoritm
  • Implementera en TensorFlow CNN-modell

Läsa data

  • Accessing av MNIST-datauppsättningen

Pipelines på IBM Cloud

  • Konfigurera en pipeline från slutpunkt till slutpunkt Kubeflow
  • Anpassa Kubeflow pipelines

Köra ett ML-träningsjobb

  • Träna en MNIST-modell

Distribuera modellen

  • Löpning TensorFlow Servering på IKS

Integrera modellen i ett webbprogram

  • Skapa ett exempelprogram
  • Skicka förutsägelseförfrågningar

Administrera Kubeflow

  • Övervakning med Tensorboard
  • Hantera loggar

Skydda ett Kubeflow kluster

  • Konfigurera autentisering och auktorisering

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 automatisera integrationen och driftsättningen av maskininlärningsfunktioner med sin applikation.
  28 timmar

Antal deltagare



Price per participant

Vittnesmål (2)

Relaterade Kurser

Relaterade Kategorier