Kurzusleírás

Bevezetés

  • Kubeflow az AWS-en a helyszíni és más nyilvános felhőszolgáltatók között

A Kubeflow jellemzők és felépítés áttekintése

AWS-fiók aktiválása

GPU-kompatibilis AWS-példányok előkészítése és indítása

Felhasználói szerepkörök és engedélyek beállítása

Építési környezet előkészítése

TensorFlow Modell és adatkészlet kiválasztása

Csomagolja a kódot és a kereteket Docker képbe

Kubernetes Klaszter beállítása EKS használatával

A képzési és érvényesítési adatok szakaszosítása

Kubeflow Csővezetékek konfigurálása

Képzési feladat indítása a Kubeflow használatával az EKS-ben

A képzési munka megjelenítése futásidőben

Takarítás a munka befejezése után

Hibaelhárítás

Összefoglalás, és következtetés

Követelmények

  • A gépi tanulási koncepciók megértése.
  • A számítási felhő fogalmainak ismerete.
  • A konténerek (Docker) és a hangszerelés (Kubernetes) általános ismerete.
  • Némi Python programozási tapasztalat hasznos.
  • Parancssoros munkatapasztalat.

Közönség

  • Adattudományi mérnökök.
  • DevOps mérnökök, akik érdeklődnek a gépi tanulási modell bevezetésében.
  • Infrastruktúra mérnökök érdekesek a gépi tanulási modell bevezetésében.
  • Szoftvermérnökök, akik gépi tanulási funkciókat kívánnak integrálni és telepíteni alkalmazásaikkal.
  28 Hours
 

Résztvevők száma


Tanfolyam kezdete

Tanfolyam vége


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Rokon tanfolyam

Rokon kategóriák