Kursplan

Introduksjon

    Kubeflow on Azure vs on-premise vs på andre offentlige skyleverandører

Oversikt over Kubeflow funksjoner og arkitektur

Oversikt over distribusjonsprosessen

Aktivering av en Azure-konto

Forbereder og lanserer GPU-aktiverte virtuelle maskiner

Sette opp brukerroller og tillatelser

Forberede byggemiljøet

Velge en TensorFlow modell og datasett

Pakke kode og rammer til et Docker bilde

Sette opp en Kubernetes klynge ved hjelp av AKS

Iscenesettelse av opplærings- og valideringsdata

Konfigurere Kubeflow rørledninger

Lansering av en opplæringsjobb.

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 interessert i implementering av maskinlæringsmodeller.
  • Programvareingeniører som ønsker å automatisere integrering og distribusjon av maskinlæringsfunksjoner med applikasjonen deres.
  28 timer

Antall deltakere


Starts

Ends


Dates are subject to availability and take place between 09:30 and 16:30.

Price per participant

Testimonials (3)

Relaterte kurs

Related Categories