Kontakt aufnehmen

Schulungsübersicht

Einführung

Überblick über die Funktionen und Komponenten von Kubeflow

  • Container, Manifeste usw.

Überblick über eine Machine-Learning-Pipeline

  • Training, Testen, Tuning, Bereitstellung usw.

Bereitstellung von Kubeflow in einem Kubernetes-Cluster

  • Vorbereitung der Ausführungsumgebung (Trainingscluster, Produktionscluster usw.)
  • Herunterladen, Installation und Anpassung.

Ausführen einer Machine-Learning-Pipeline auf Kubernetes

  • Erstellung einer TensorFlow-Pipeline.
  • Erstellung einer PyTorch-Pipeline.

Visualisierung der Ergebnisse

  • Export und Visualisierung von Pipeline-Metriken

Anpassung der Ausführungsumgebung

  • Anpassung des Stacks für unterschiedliche Infrastrukturen
  • Aktualisierung einer Kubeflow-Bereitstellung

Ausführen von Kubeflow in öffentlichen Clouds

  • AWS, Microsoft Azure, Google Cloud Platform

Verwaltung von Produktions-Workflows

  • Ausführung mit GitOps-Methodik
  • Zeitplanung von Jobs
  • Erstellung von Jupyter-Notebooks

Fehlerbehebung

Zusammenfassung und Fazit

Voraussetzungen

  • Grundkenntnisse in der Python-Syntax 
  • Erfahrung mit TensorFlow, PyTorch oder einem anderen Machine-Learning-Framework
  • Ein Konto bei einem öffentlichen Cloud-Anbieter (optional) 

Zielgruppe

  • Entwickler
  • Data Scientists
 28 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien