Schulungsübersicht

Einführung

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

Überblick über Kubeflow Funktionen und Architektur

Aktivieren eines AWS-Kontos

Vorbereiten und Starten von GPU-aktivierten AWS-Instanzen

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 EKS

Bereitstellung der Trainings- und Validierungsdaten

Konfigurieren von Kubeflow Pipelines

Starten eines Trainingsjobs mit Kubeflow in EKS

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 Entwicklung von Modellen für maschinelles Lernen interessiert sind.
  • Infrastrukturingenieure, die an der Bereitstellung von maschinellen Lernmodellen interessiert sind.
  • Softwareentwickler, die Funktionen des maschinellen Lernens in ihre Anwendung integrieren und einsetzen möchten.
  28 Stunden
 

Teilnehmerzahl


Beginnt

Endet


Die Termine sind abhängig von der Verfügbarkeit und finden zwischen 09:30 und 16:30 statt.
Offene Schulungskurse erfordern mindestens 5 Teilnehmer.

Kombinierte Kurse

Verwandte Kategorien