Contattataci

Struttura del corso

Introduzione

Panoramica delle funzionalità e dei componenti di Kubeflow

  • Container, manifesti, ecc.

Panoramica di un pipeline di Machine Learning

  • Addestramento, test, tuning, distribuzione, ecc.

Distribuzione di Kubeflow su un cluster Kubernetes

  • Preparazione dell'ambiente di esecuzione (cluster di addestramento, cluster di produzione, ecc.)
  • Download, installazione e personalizzazione.

Esecuzione di un pipeline di Machine Learning su Kubernetes

  • Creazione di un pipeline TensorFlow.
  • Creazione di un pipeline PyTorch.

Visualizzazione dei Risultati

  • Esportazione e visualizzazione delle metriche del pipeline

Personalizzazione dell'Ambiente di Esecuzione

  • Personalizzazione dello stack per infrastrutture diverse
  • Aggiornamento di una distribuzione Kubeflow

Esecuzione di Kubeflow su Cloud Pubblici

  • AWS, Microsoft Azure, Google Cloud Platform

Gestione dei Flussi di Lavoro in Produzione

  • Esecuzione con metodologia GitOps
  • Pianificazione dei job
  • Generazione di notebook Jupyter

Troubleshooting

Sintesi e Conclusioni

Requisiti

  • Conoscenza della sintassi di Python 
  • Esperienza con Tensorflow, PyTorch o altri framework di machine learning
  • Un account presso un provider cloud pubblico (facoltativo) 

Pubblico Target

  • Sviluppatori
  • Data scientist
 28 ore

Numero di Partecipanti


Prezzo per partecipante

Corsi in Arrivo

Categorie relative