
I corsi di formazione Kubeflow dal vivo condotti da istruttori locali dimostrano attraverso pratiche pratiche interattive come utilizzare Kubeflow per costruire, distribuire e gestire flussi di lavoro di machine learning su Kubernetes . Kubeflow allenamento Kubeflow è disponibile come "allenamento dal vivo in loco" o "allenamento dal vivo a distanza". La formazione dal vivo in loco può essere svolta localmente presso la sede del cliente in Italia o nei centri di formazione aziendale NobleProg in Italia . La formazione dal vivo a distanza viene effettuata tramite un desktop remoto interattivo. NobleProg - Il tuo provider di formazione locale
Machine Translated
Recensioni
Regolazione alle nostre esigenze
Sumitomo Mitsui Finance and Leasing Company, Limited
Corso: Kubeflow
Machine Translated
Schema generale del corso Kubeflow
-
Installare e configurare Kubeflow su premise e nel cloud utilizzando AWS EKS (Elastic Kubernetes Service).
Costruire, implementare e gestire i flussi di lavoro ML basati su Docker contenitori e Kubernetes.
Eseguire tutti i tubi di apprendimento automatico su varie architettura e ambienti cloud.
Utilizzare Kubeflow per spazzolare e gestire i notebook di Jupyter.
Costruisci la formazione ML, il tuning di iperparametri e il servizio di carico di lavoro su più piattaforme.
-
Interattiva lezione e discussione.
Molti esercizi e pratiche.
Implementazione a mano in un ambiente live-lab.
-
Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare.
-
Installare e configurare Kubernetes, Kubeflow e altri software necessari su AWS.
Utilizzare EKS (Elastic Kubernetes Service) per semplificare il lavoro di inizializzazione di un cluster Kubernetes su AWS.
Creare e implementare un Kubernetes pipeline per l'automazione e la gestione dei modelli ML in produzione.
Eseguire e implementare i modelli ML TensorFlow su più GPUs e le macchine che funzionano in parallelo.
Leverage altri servizi gestiti da AWS per estendere un'applicazione ML.
-
Interattiva lezione e discussione.
Molti esercizi e pratiche.
Implementazione a mano in un ambiente live-lab.
-
Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare.
-
Installare e configurare Kubernetes, Kubeflow e altri software necessari su Azure.
Utilizzare Azure Kubernetes Servizio (AKS) per semplificare il lavoro di inizializzazione di un Kubernetes cluster su Azure.
Creare e implementare un Kubernetes pipeline per l'automazione e la gestione dei modelli ML in produzione.
Eseguire e implementare i modelli ML TensorFlow su più GPUs e le macchine che funzionano in parallelo.
Leverage altri servizi gestiti da AWS per estendere un'applicazione ML.
-
Interattiva lezione e discussione.
Molti esercizi e pratiche.
Implementazione a mano in un ambiente live-lab.
-
Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare.
-
Installare e configurare Kubernetes, Kubeflow e altri software necessari su GCP e GKE.
Utilizzare GKE (Kubernetes Kubernetes Motore) per semplificare il lavoro di inizializzazione di un Kubernetes cluster su GCP.
Creare e implementare un Kubernetes pipeline per l'automazione e la gestione dei modelli ML in produzione.
Eseguire e sfruttare i modelli ML TensorFlow su più GPUs e le macchine che funzionano in parallelo.
Fornire altri servizi GCP per estendere un'applicazione ML.
-
Interattiva lezione e discussione.
Molti esercizi e pratiche.
Implementazione a mano in un ambiente live-lab.
-
Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare.
-
Installare e configurare Kubernetes, Kubeflow e altri software necessari sul Servizio IBM Cloud Kubernetes (IKS).
Utilizzare IKS per semplificare il lavoro di inizializzazione di un Kubernetes cluster su IBM Cloud.
Creare e implementare un Kubernetes pipeline per l'automazione e la gestione dei modelli ML in produzione.
Eseguire e implementare i modelli ML TensorFlow su più GPUs e le macchine che funzionano in parallelo.
Leverage altri servizi IBM Cloud per estendere un'applicazione ML.
-
Interattiva lezione e discussione.
Molti esercizi e pratiche.
Implementazione a mano in un ambiente live-lab.
-
Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare.
-
Al termine di questo corso, i partecipanti saranno in grado di:
Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e Kubeflow e
Utilizzare OpenShift per semplificare il lavoro di inizializzazione di un Kubernetes cluster.
Creare e implementare un Kubernetes pipeline per l'automazione e la gestione dei modelli ML in produzione.
Imparare e implementare TensorFlow modelli ML su più GPUs e macchine che funzionano in parallelo.
Chiamare i servizi cloud pubblici (ad esempio i servizi AWS) dall'interno OpenShift per estendere un'applicazione ML.
-
Interattiva lezione e discussione.
Molti esercizi e pratiche.
Implementazione a mano in un ambiente live-lab.
-
Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare.
-
Installare e configurare Kubeflow su premisa e nel cloud.
Costruire, implementare e gestire i flussi di lavoro ML basati su Docker contenitori e Kubernetes.
Eseguire tutti i tubi di apprendimento automatico su varie architettura e ambienti cloud.
Utilizzare Kubeflow per spazzolare e gestire i notebook di Jupyter.
Costruisci la formazione ML, il tuning di iperparametri e il servizio di carico di lavoro su più piattaforme.
-
Interattiva lezione e discussione.
Molti esercizi e pratiche.
Implementazione a mano in un ambiente live-lab.
-
Per richiedere una formazione personalizzata per questo corso, si prega di contattarci per organizzare.
Per saperne di più Kubeflow, si prega di visitare: https://github.com/kubeflow/kubeflow
Last Updated: