Struttura del corso

Introduzione

  • Kubeflow on AWS Confronto tra on-premise e altri provider di cloud pubblico

Panoramica di Kubeflow Funzionalità e architettura

Attivazione di un account AWS

Preparazione e avvio di istanze AWS abilitate per GPU

Impostazione dei ruoli utente e delle autorizzazioni

Preparazione dell'ambiente di compilazione

Selezione di un modello e di un set di dati TensorFlow

Impacchettamento di codice e framework in un'immagine Docker

Configurazione di un cluster Kubernetes tramite EKS

Gestione temporanea dei dati di training e convalida

Configurazione di Kubeflow Pipeline

Avvio di un processo di formazione utilizzando Kubeflow in EKS

Visualizzazione del processo di training in fase di esecuzione

Pulizia al termine del lavoro

Risoluzione dei problemi

Riassunto e conclusione

Requisiti

  • Comprensione dei concetti di machine learning.
  • Conoscenza dei concetti di cloud computing.
  • Una conoscenza generale dei contenitori (Docker) e dell'orchestrazione (Kubernetes).
  • Un po' di Python esperienza di programmazione è utile.
  • Esperienza di lavoro con una riga di comando.

Pubblico

  • Ingegneri della scienza dei dati.
  • DevOps Ingegneri interessati all'implementazione di modelli di Machine Learning.
  • Ingegneri dell'infrastruttura interessati alla distribuzione di modelli di machine learning.
  • Ingegneri del software che desiderano integrare e distribuire funzionalità di machine learning con la propria applicazione.
  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