Course Outline

Introductie

  • Kubeflow op IKS vs on-premise vs op andere publieke cloud providers

Overzicht van Kubeflow functies op IBM Cloud

  • IKS
  • IBM Cloud Object Storage

Overzicht van de instellingen van de omgeving

  • Virtuele machines voorbereiden
  • Een Kubernetes-cluster instellen

Instellen Kubeflow op IBM Cloud

  • Installeren Kubeflow via IKS

Het model coderen

  • Een ML-algoritme kiezen
  • Implementatie van een TensorFlow CNN-model

De gegevens lezen

  • Accessing van de MNIST-dataset

Pipelines op IBM Cloud

  • Een end-to-end Kubeflow pijplijn opzetten
  • Kubeflow pijplijnen aanpassen

Een ML-trainingstaak uitvoeren

  • Een MNIST-model trainen

Het model implementeren

  • Hardlopen TensorFlow Dienen op IKS

Integratie van het model in een webapplicatie

  • Een voorbeeldtoepassing maken
  • Voorspellingsverzoeken verzenden

Toedienen Kubeflow

  • Monitoren met Tensorboard
  • Logboeken beheren

Een Kubeflow-cluster beveiligen

  • Authenticatie en autorisatie instellen

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 interessant 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 (2)

Related Categories