Kursplan

Introduksjon

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

Oversikt over Kubeflow funksjoner på IBM Cloud

    IKS IBM Cloud Object Storage

Oversikt over miljøoppsett

    Forberede virtuelle maskiner Sette opp en Kubernetes klynge

Oppsett Kubeflow on IBM Cloud

    Installerer Kubeflow gjennom IKS

Koding av modellen

    Velge en ML-algoritme Implementering av en TensorFlow CNN-modell

Leser dataene

    Accessav MNIST-datasettet

Rørledninger på IBM Cloud

    Sette opp en ende-til-ende Kubeflow rørledning Tilpasse Kubeflow rørledninger

Kjører en ML-treningsjobb

    Trening av en MNIST-modell

Utplassering av modellen

    Kjører TensorFlow Servering på IKS

Integrering av modellen i en webapplikasjon

    Opprette en prøveapplikasjon Sende prediksjonsforespørsler

Administrerer Kubeflow

    Overvåking med Tensorboard Administrere logger

Sikring av en Kubeflow klynge

    Sette opp autentisering og autorisasjon

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 automatisere integrering og distribusjon av maskinlæringsfunksjoner med applikasjonen deres.
 28 timer

Antall deltakere



Price per participant

Testimonials (2)

Relaterte kurs

MLflow

21 timer

Kubeflow on AWS

28 timer

Kubeflow on Azure

28 timer

Kubeflow on GCP

28 timer

MLOps: CI/CD for Machine Learning

35 timer

Kubeflow

35 timer

Kubeflow on OpenShift

28 timer

Kubeflow Fundamentals

28 timer

Related Categories