Kontakt aufnehmen

Schulungsübersicht

Einführung

Übersicht über die Funktionen und Komponenten von Kubeflow

  • Container, Manifeste usw.

Übersicht über eine maschinelle Lern-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 maschinellen Lern-Pipeline auf Kubernetes

  • Aufbau einer TensorFlow-Pipeline.
  • Aufbau einer PyTorch-Pipeline.

Visualisierung der Ergebnisse

  • Exportieren und Visualisieren von Pipeline-Metriken

Anpassen der Ausführungsumgebung

  • Anpassen des Stacks für unterschiedliche Infrastrukturen
  • Aufrüsten einer Kubeflow-Bereitstellung

Kubeflow in öffentlichen Clouds ausführen

  • AWS, Microsoft Azure, Google Cloud Platform

Verwaltung von Produktions-Workflows

  • Ausführung mit GitOps-Methodik
  • Job-Scheduling
  • Erzeugung von Jupyter-Notebooks

Fehlerbehebung

Zusammenfassung und Schlussfolgerungen

Voraussetzungen

  • Vertrautheit mit der Python-Syntax
  • Erfahrung mit TensorFlow, PyTorch oder anderen maschinellen Lern-Frameworks
  • Ein Konto bei einem öffentlichen Cloud-Anbieter (optional)

Zielgruppe

  • Entwickler
  • Data Scientists
 28 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien