Schulungsübersicht

Einführung

  • Kubeflow on Azure vs. On-Premise vs. andere öffentliche Cloud-Anbieter

Überblick über Kubeflow Funktionen und Architektur

Überblick über den Bereitstellungsprozess

Aktivieren eines Azure-Kontos

Vorbereiten und Starten von GPU-fähigen virtuellen Maschinen

Einrichten von Benutzerrollen und Berechtigungen

Vorbereiten der Build-Umgebung

Auswählen eines TensorFlow Modells und eines Datensatzes

Verpackung von Code und Frameworks in ein Docker Image

Einrichten eines Kubernetes Clusters mit AKS

Bereitstellung der Trainings- und Validierungsdaten

Konfigurieren von Kubeflow Pipelines

Einführung eines Ausbildungsberufs.

Visualisierung des Trainingsauftrags in der Laufzeit

Aufräumen nach Beendigung des Auftrags

Fehlersuche

Zusammenfassung und Schlussfolgerung

Voraussetzungen

  • Verständnis für Konzepte des maschinellen Lernens.
  • Kenntnisse über Cloud-Computing-Konzepte.
  • Ein allgemeines Verständnis von Containern (Docker) und Orchestrierung (Kubernetes).
  • Ein wenig Python Programmiererfahrung ist hilfreich.
  • Erfahrung im Umgang mit einer Kommandozeile.

Publikum

  • Datenwissenschaftler.
  • DevOps Ingenieure, die an der Bereitstellung von Modellen für maschinelles Lernen interessiert sind.
  • Infrastrukturingenieure, die an der Bereitstellung von Modellen für maschinelles Lernen interessiert sind.
  • Softwareingenieure, die die Integration und Bereitstellung von Funktionen des maschinellen Lernens in ihre Anwendung automatisieren möchten.
  28 Stunden

Teilnehmerzahl



Preis je Teilnehmer

Erfahrungsberichte (3)

Kombinierte Kurse

Verwandte Kategorien