Kurzusleírás

Bevezetés

  • Kubeflow on OpenShift szemben a nyilvános felhőalapú szolgáltatásokkal

A Kubeflow on OpenShift áttekintése

  • Kódolvasó tárolók
  • Tárolási lehetőségek

A környezetbeállítás áttekintése

  • Kubernetes fürt beállítása

Beállítás Kubeflow on OpenShift

  • Telepítés Kubeflow

A modell kódolása

  • ML algoritmus kiválasztása
  • TensorFlow CNN-modell megvalósítása

Az adatok olvasása

  • Accessegy adatkészletben

Kubeflow Pipelines a OpenShift-on

  • Végpontok közötti Kubeflow folyamat beállítása
  • Kubeflow Csővezetékek testreszabása

ML képzési munka futása

  • Modell kiképzése

A modell telepítése

  • Egy betanított modell futtatása a OpenShift oldalon

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.
  • Infrastruktúramérnökök, akik érdekesek a gépi tanulási modell bevezetésében.
  • Szoftvermérnökök, akik automatizálni kívánják a gépi tanulási funkciók integrációját és telepítését alkalmazásaikkal
 28 Hours

Résztvevők száma



Ár per résztvevő

Vélemények (4)

Rokon tanfolyam

Rokon kategóriák