Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Kursplan
Introduksjon
- Kubeflow on AWS vs on-premise vs på andre offentlige skyleverandører
Oversikt over Kubeflow funksjoner og arkitektur
Aktivering av en AWS-konto
Forbereder og lanserer GPU-aktiverte AWS-forekomster
Sette opp brukerroller og tillatelser
Forberede byggemiljøet
Velge en TensorFlow modell og datasett
Pakke kode og rammeverk til et Docker bilde
Sette opp en Kubernetes klynge ved hjelp av EKS
Iscenesettelse av opplærings- og valideringsdata
Konfigurere Kubeflow rørledninger
Starte en opplæringsjobb ved å bruke Kubeflow i EKS
Visualisere treningsjobben i Runtime
Rydde opp etter at jobben er fullført
Feilsøking
Oppsummering og konklusjon
Krav
- En forståelse av konsepter for maskinlæring.
- Kunnskap om cloud computing konsepter.
- En generell forståelse av containere (Docker) og orkestrering (Kubernetes).
- Noe Python programmeringserfaring er nyttig.
- Erfaring med å jobbe med en kommandolinje.
Publikum
- Datavitenskapelige ingeniører.
- DevOps ingeniører som er interessante i utrulling av maskinlæringsmodeller.
- Infrastrukturingeniører som er interessante i utrulling av maskinlæringsmodeller.
- Programvareingeniører som ønsker å integrere og distribuere maskinlæringsfunksjoner med applikasjonen deres.
28 timer