Plan Szkolenia

Wprowadzenie

  • Kubeflow na IKS vs lokalnie vs u innych dostawców chmury publicznej

Przegląd funkcji Kubeflow w chmurze IBM

  • IKS
  • IBM Cloud Object Storage

Przegląd konfiguracji środowiska

  • Przygotowywanie maszyn wirtualnych
  • Konfigurowanie klastra Kubernetes

Konfiguracja Kubeflow on IBM Cloud

  • Instalacja Kubeflow przez IKS

Kodowanie modelu

  • Wybór algorytmu uczenia maszynowego
  • Implementacja modelu TensorFlow CNN

Odczytywanie danych

  • Access w zbiorze danych MNIST

Pipelines na platformie IBM Cloud

  • Konfigurowanie potoku end-to-end Kubeflow
  • Dostosowywanie potoków Kubeflow

Prowadzenie szkolenia ML

  • Trening modelu MNIST

Wdrażanie modelu

  • Running TensorFlow Serving on IKS

Integracja modelu z aplikacją internetową

  • Tworzenie przykładowej aplikacji
  • Wysyłanie żądań przewidywania

Administrowanie Kubeflow

  • Monitorowanie za pomocą Tensorboard
  • Zarządzanie dziennikami

Zabezpieczanie klastra Kubeflow

  • Konfigurowanie uwierzytelniania i autoryzacji

Rozwiązywanie problemów

Podsumowanie i wnioski

Wymagania

  • Zrozumienie koncepcji uczenia maszynowego.
  • Znajomość koncepcji przetwarzania w chmurze.
  • Ogólne zrozumienie kontenerów (Docker) i orkiestracji (Kubernetes).
  • Pomocne jest pewne Python doświadczenie w programowaniu.
  • Doświadczenie w pracy z wierszem poleceń.

Publiczność

  • Inżynierowie zajmujący się nauką o danych.
  • DevOps inżynierów zainteresowanych wdrażaniem modeli uczenia maszynowego.
  • Inżynierowie infrastruktury zainteresowani wdrażaniem modeli uczenia maszynowego.
  • Inżynierowie oprogramowania, którzy chcą zautomatyzować integrację i wdrażanie funkcji uczenia maszynowego w swojej aplikacji.
 28 godzin

Liczba uczestników



Cena za uczestnika

Opinie uczestników (2)

Powiązane Kategorie