Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
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