Course Outline

Introductie

  • Kubeflow op Azure versus on-premise versus op andere openbare cloudproviders

Overzicht van Kubeflow Functies en architectuur

Overzicht van het implementatieproces

Een Azure-account activeren

Virtuele machines met GPU voorbereiden en starten

Gebruikersrollen en machtigingen instellen

Voorbereiding van de bouwomgeving

Een TensorFlow-model en gegevensset selecteren

Verpakkingscode en kaders in een Docker afbeelding

Een Kubernetes-cluster instellen met behulp van AKS

Fasering van de trainings- en validatiegegevens

Pijplijnen configureren Kubeflow

Het lanceren van een opleidingsopdracht.

De trainingstaak visualiseren in runtime

Opruimen nadat de klus is geklaard

Probleemoplossing

Samenvatting en conclusie

Requirements

  • Een goed begrip van machine learning-concepten.
  • Kennis van cloud computing-concepten.
  • Een algemeen begrip van containers (Docker) en orkestratie (Kubernetes).
  • Enige Python programmeerervaring is nuttig.
  • Ervaring met het werken met een opdrachtregel.

Publiek

  • Datawetenschappers.
  • DevOps ingenieurs die geïnteresseerd zijn in de implementatie van machine learning-modellen.
  • Infrastructuuringenieurs die geïnteresseerd zijn in de implementatie van machine learning-modellen.
  • Software-ingenieurs die de integratie en implementatie van machine learning-functies met hun applicatie willen automatiseren.
  28 Hours
 

Getuigenissen (3)

Related Courses

Related Categories