Kontakt aufnehmen
 Dauer 28 Stunden

Schulungsübersicht

Einleitung

Übersicht über die Funktionen und Komponenten von Kubeflow

  • Container, Manifeste usw.

Übersicht über eine Machine-Learning-Pipeline

  • Training, Testen, Tuning, Bereitstellung usw.

Bereitstellung von Kubeflow in einem Kubernetes-Cluster

  • Vorbereiten der Ausführungsumgebung (Training-Cluster, Produktions-Cluster usw.)
  • Herkunft, Installation und Anpassung.

Ausführen einer Machine-Learning-Pipeline auf Kubernetes

  • Aufbau einer TensorFlow-Pipeline.
  • Aufbau 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

Nutzung von Kubeflow in öffentlichen Clouds

  • AWS, Microsoft Azure, Google Cloud Platform

Verwaltung von Produktions-Workflows

  • Ausführung nach der GitOps-Methodik
  • Zeitplanung von Jobs
  • Erzeugen von Jupyter-Notebooks

Voraussetzungen

  • Grundlegende Kenntnisse der Python-Syntax
  • Erfahrung mit Tensorflow, PyTorch oder anderen Machine-Learning-Frameworks
  • Ein Konto bei einem öffentlichen Cloud-Anbieter (optional)

Zielgruppe

  • Entwickler
  • Data Scientists

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien