Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
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