Schulungsübersicht

Einführung

Überblick über Kubeflow Funktionen und Komponenten

  • Container, Manifeste, etc.

Überblick über eine Machine Learning Pipeline

  • Trainieren, Testen, Abstimmen, Bereitstellen, usw.

Bereitstellen von Kubeflow auf einem Kubernetes Cluster

  • Vorbereitung der Ausführungsumgebung (Trainingscluster, Produktionscluster, etc.)
  • Herunterladen, Installieren und Anpassen.

Ausführen einer Machine Learning Pipeline auf Kubernetes

  • Aufbau einer TensorFlow-Pipeline.
  • Erstellen einer PyTorch-Pipeline.

Visualisierung der Ergebnisse

  • Exportieren und Visualisieren von Pipeline-Metriken

Anpassen der Ausführungsumgebung

  • Anpassen des Stacks für verschiedene Infrastrukturen
  • Aktualisieren eines Kubeflow-Einsatzes

Ausführen von Kubeflow in öffentlichen Clouds

  • AWS, Microsoft Azure, Google Cloud Platform

Verwalten von Produktions-Workflows

  • Ausführen mit GitOps-Methodik
  • Planen von Aufträgen
  • Erstellen von Jupyter-Notizbüchern

Fehlersuche

Zusammenfassung und Schlussfolgerung

Voraussetzungen

  • Vertrautheit mit der Python-Syntax
  • Erfahrung mit Tensorflow, PyTorch oder einem anderen Framework für maschinelles Lernen
  • Ein Konto bei einem öffentlichen Cloud-Anbieter (optional)

Zielgruppe

  • Entwickler
  • Datenwissenschaftler
 28 Stunden

Teilnehmerzahl


Price per participant (excl. VAT)

Erfahrungsberichte (1)

Kommende Kurse

Verwandte Kategorien