Cursusaanbod

Introductie

Overzicht van Kubeflow functies en componenten

  • Containers, manifesten, enz.

Overzicht van een Machine Learning pijplijn

  • Trainen, testen, tunen, deployen, etc.

Kubeflow implementeren in een Kubernetes cluster

  • Voorbereiden van de uitvoeringsomgeving (trainingscluster, productiecluster, etc.)
  • Downloaden, installeren en aanpassen.

Een Machine Learning pijplijn uitvoeren op Kubernetes

  • Het bouwen van een TensorFlow pijpleiding.
  • Het bouwen van een PyTorch pipleline.

Visualiseren van de resultaten

  • Metrische gegevens van pijplijnen exporteren en visualiseren

De uitvoeringsomgeving aanpassen

  • De stack aanpassen voor diverse infrastructuren
  • Een Kubeflow implementatie upgraden

Draaien Kubeflow op openbare clouds

  • AWS, Microsoft Azure, Google Cloud Platform

Productieworkflows beheren

  • Hardlopen met GitOps-methodologie
  • Taken plannen
  • Jupyter-notebooks voortbrengen

Probleemoplossing

Samenvatting en conclusie

Vereisten

  • Bekendheid met de syntaxis van Python
  • Ervaring met Tensorflow, PyTorch of een ander machine learning-framework
  • Een account van een openbare cloudprovider (optioneel) 

Audiëntie

  • Ontwikkelaars
  • Datawetenschappers
 28 Uren

Aantal deelnemers


Prijs Per Deelnemer

Testimonials (2)

Voorlopige Aankomende Cursussen

Gerelateerde categorieën