Kurzusleírás

Bevezetés

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

Az IBM Cloud Kubeflow szolgáltatásainak áttekintése

  • IKS
  • IBM Cloud Object Storage

A környezetbeállítás áttekintése

  • Virtuális gépek előkészítése
  • Kubernetes fürt beállítása

Az Kubeflow beállítása az IBM Cloudon

  • Kubeflow telepítése IKS-en keresztül

A modell kódolása

  • ML algoritmus kiválasztása
  • TensorFlow CNN-modell megvalósítása

Az adatok olvasása

  • Access az MNIST adatkészletben

Csővezetékek az IBM Cloudon

  • Végpontok közötti Kubeflow folyamat beállítása
  • Kubeflow Csővezetékek testreszabása

ML képzési munka futása

  • MNIST modell betanítása

A modell telepítése

  • Futás TensorFlow IKS-en szolgál

A modell integrálása webalkalmazásba

  • Mintaalkalmazás készítése
  • Előrejelzési kérések küldése

Adminisztráció Kubeflow

  • Monitoring Tensorboard segítségével
  • Naplók kezelése

Egy Kubeflow fürt biztosítása

  • Hitelesítés és engedélyezés beállítása

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 alkalmazásukkal automatizálni kívánják a gépi tanulási funkciók integrációját és telepítését.
 28 Hours

Résztvevők száma



Ár per résztvevő

Vélemények (2)

Rokon kategóriák