Kursplan

Introduktion

  • Kubeflow on OpenShift kontra offentliga molnhanterade tjänster

Översikt över Kubeflow on OpenShift

  • Kodläsningsbehållare
  • Lagringsalternativ

Översikt över miljöinställningar

  • Konfigurera ett Kubernetes kluster

Konfigurera Kubeflow on OpenShift

  • Installerar Kubeflow

Koda modellen

  • Att välja en ML-algoritm
  • Implementering av en TensorFlow CNN-modell

Läser data

  • Accessatt använda en datauppsättning

Kubeflow Pipelines på OpenShift

  • Att upprätta en pipeline från ände till ände Kubeflow
  • Anpassa Kubeflow Pipelines

Att driva ett ML-utbildningsjobb

  • Att träna en modell

Utplacering av modellen

  • Köra en tränad modell på OpenShift

Integrering av modellen i en webbapplikation

  • Skapa en exempelapplikation
  • Skickar förfrågningar om förutsägelser

Administrera Kubeflow

  • Övervakning med Tensorboard
  • Hantera loggar

Säkra ett Kubeflow kluster

  • Ställa in 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 (3)

Relaterade Kategorier