Course Outline

Invoering

  • Kubeflow on OpenShift versus beheerde services in de publieke cloud

Overzicht van Kubeflow on OpenShift

  • Codeleescontainers
  • Opbergmogelijkheden

Overzicht van omgevingsinstellingen

  • Een Kubernetes-cluster opzetten

Opstellen Kubeflow on OpenShift

  • Installeren Kubeflow

Het model coderen

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

Het lezen van de gegevens

  • Een dataset Access maken

Kubeflow-pijplijnen op OpenShift

  • Het opzetten van een end-to-end Kubeflow pijplijn
  • Aanpassen van Kubeflow pijpleidingen

Een ML-trainingstaak uitvoeren

  • Een model trainen

Het model implementeren

  • Een getraind model uitvoeren op OpenShift

Het model integreren in een webapplicatie

  • Een voorbeeldtoepassing maken
  • Voorspellingsverzoeken verzenden

Beheer Kubeflow

  • Monitoring met Tensorboard
  • Logboeken beheren

Het beveiligen van een Kubeflow cluster

  • Authenticatie en autorisatie instellen

Probleemoplossen

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 (4)

Related Courses

Related Categories