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


Beginnt

Endet


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

Erfahrungsberichte (3)

Kombinierte Kurse

Verwandte Kategorien