Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
Struttura del corso
Introduzione
- Kubeflow su AWS vs on-premise vs su altri provider di cloud pubblico
Panoramica delle Funzionalità e dell'Architettura di Kubeflow
Attivazione di un Account AWS
Preparazione e Avvio di Istanze AWS Abilitate per GPU
Configurazione dei Ruoli Utente e delle Autorizzazioni
Preparazione dell'Ambiente di Compilazione
Selezione di un Modello TensorFlow e di un Set di Dati
Pacchettizzazione del Codice e dei Framework in un'Immagine Docker
Configurazione di un Cluster Kubernetes Utilizzando EKS
Distribuzione dei Dati di Training e Validazione
Configurazione delle Pipeline Kubeflow
Lancio di un Lavoro di Training utilizzando Kubeflow su EKS
Visualizzazione del Lavoro di Training in Tempo Reale
Pulizia dopo il Completamento del Lavoro
Risoluzione dei Problemi
Somma e Conclusione
Requisiti
- Una comprensione dei concetti di machine learning.
- Conoscenza dei concetti di cloud computing.
- Comprensione generale dei container (Docker) e dell'orchestrazione (Kubernetes).
- L'esperienza in programmazione Python è utile.
- Esperienza nel lavoro con una riga di comando.
Pubblico
- Ingegneri di data science.
- Ingegneri DevOps interessati alla distribuzione di modelli di machine learning.
- Ingegneri di infrastruttura interessati alla distribuzione di modelli di machine learning.
- Ingegneri software che desiderano integrare e distribuire funzionalità di machine learning con le proprie applicazioni.
28 Ore
Recensioni (3)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Corso - MLflow
All good, nothing to improve
Ievgen Vinchyk - GE Medical Systems Polska Sp. Z O.O.
Corso - AWS Lambda for Developers
IOT applications
