Struttura del corso

Introduzione

Panoramica di Kubeflow Funzioni e componenti

  • Contenitori, manifesti, ecc.

Panoramica di una Machine Learning pipeline

  • Formazione, test, messa a punto, distribuzione, ecc.

Distribuzione di Kubeflow in un cluster Kubernetes

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

Esecuzione di una pipeline Machine Learning su Kubernetes

  • Creazione di una pipeline TensorFlow.
  • Costruzione di una piplelina PyTorch.

Visualizzazione dei risultati

  • Esportazione e visualizzazione delle metriche della pipeline

Personalizzazione dell'ambiente di esecuzione

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

Esecuzione Kubeflow su cloud pubblici

  • AWS, Microsoft Azure, Google Cloud Platform

Gestione dei flussi di lavoro di produzione

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

Risoluzione dei problemi

Riassunto e conclusione

Requisiti

  • Familiarità con la sintassi di Python
  • Esperienza con Tensorflow, PyTorch o altri framework di machine learning
  • Un account del provider di cloud pubblico (facoltativo) 

Pubblico

  • Gli sviluppatori
  • Scienziati dei dati
  28 ore

Numero di Partecipanti


Data Inizio

Data Fine


Le date sono soggette a disponibilità e si svolgono tra le 09:30 e le 16:30.

Prezzo per Partecipante

Corsi relativi

Categorie relative