Plan Szkolenia

Wprowadzenie

Przegląd funkcji i komponentów Kubeflow

  • Kontenery, manifesty itp.

Przegląd potoku Machine Learning

  • Szkolenie, testowanie, dostrajanie, wdrażanie itp.

Wdrażanie Kubeflow w klastrze Kubernetes

  • Przygotowanie środowiska wykonawczego (klaster szkoleniowy, klaster produkcyjny itp.)
  • Pobieranie, instalowanie i dostosowywanie.

Uruchamianie potoku Machine Learning na klastrze Kubernetes

  • Tworzenie potoku TensorFlow.
  • Tworzenie potoku PyTorch.

Wizualizacja wyników

  • Eksportowanie i wizualizowanie metryk potoku

Dostosowywanie środowiska wykonawczego

  • Dostosowywanie stosu do różnych infrastruktur
  • Aktualizacja wdrożenia Kubeflow

Uruchamianie Kubeflow w chmurach publicznych

  • AWS, Microsoft Azure, Google Cloud Platform

Zarządzanie produkcyjnymi przepływami pracy

  • Uruchamianie przy użyciu metodologii GitOps
  • Planowanie zadań
  • Tworzenie notatników Jupyter

Rozwiązywanie problemów

Podsumowanie i wnioski

Wymagania

  • Znajomość składni Python
  • Doświadczenie z Tensorflow, PyTorch lub innym frameworkiem uczenia maszynowego
  • Konto dostawcy chmury publicznej (opcjonalnie)

Uczestnicy

  • Programiści
  • Naukowcy zajmujący się danymi
 28 godzin

Liczba uczestników


cena netto za uczestnika

Opinie uczestników (1)

Propozycje terminów

Powiązane Kategorie