Course Outline

Εισαγωγή

  • Kubeflow on OpenShift έναντι δημόσιων υπηρεσιών διαχείρισης cloud

Επισκόπηση του Kubeflow on OpenShift

  • Δοχεία ανάγνωσης κώδικα
  • Επιλογές αποθήκευσης

Επισκόπηση της ρύθμισης περιβάλλοντος

  • Ρύθμιση συμπλέγματος Kubernetes

Ρύθμιση Kubeflow on OpenShift

  • Εγκατάσταση Kubeflow

Κωδικοποίηση του μοντέλου

  • Επιλέγοντας έναν αλγόριθμο ML
  • Εφαρμογή ενός TensorFlow μοντέλου CNN

Διαβάζοντας τα Δεδομένα

  • Accessη δημιουργία ενός συνόλου δεδομένων

Αγωγοί Kubeflow στις OpenShift

  • Ρύθμιση ενός αγωγού από άκρο σε άκρο Kubeflow
  • Προσαρμογή Kubeflow αγωγών

Εκτέλεση εργασίας εκπαίδευσης ML

  • Εκπαίδευση μοντέλου

Ανάπτυξη του Μοντέλου

  • Εκτελώντας ένα εκπαιδευμένο μοντέλο στο OpenShift

Ενσωμάτωση του μοντέλου σε μια εφαρμογή Ιστού

  • Δημιουργία δείγματος εφαρμογής
  • Αποστολή αιτημάτων πρόβλεψης

Διαχείριση Kubeflow

  • Παρακολούθηση με Tensorboard
  • Διαχείριση αρχείων καταγραφής

Εξασφάλιση συμπλέγματος Kubeflow

  • Ρύθμιση ελέγχου ταυτότητας και εξουσιοδότησης

Αντιμετώπιση προβλημάτων

Περίληψη και Συμπέρασμα.

Requirements

  • Κατανόηση των εννοιών της μηχανικής μάθησης.
  • Γνώση των εννοιών του cloud computing.
  • Μια γενική κατανόηση των κοντέινερ (Docker) και της ενορχήστρωσης (Kubernetes).
  • Κάποια Python εμπειρία προγραμματισμού είναι χρήσιμη.
  • Εμπειρία εργασίας με γραμμή εντολών.

Ακροατήριο

  • Μηχανικοί επιστήμης δεδομένων.
  • DevOps μηχανικοί που ενδιαφέρονται για την ανάπτυξη μοντέλων μηχανικής μάθησης.
  • Οι μηχανικοί υποδομής ενδιαφέρονται για την ανάπτυξη μοντέλων μηχανικής μάθησης.
  • Μηχανικοί λογισμικού που επιθυμούν να αυτοματοποιήσουν την ενσωμάτωση και την ανάπτυξη λειτουργιών μηχανικής εκμάθησης με την εφαρμογή τους
  28 Hours

Number of participants



Price per participant

Testimonials (4)

Related Courses

Kubeflow

  35 Hours

OpenShift 4 for Administrators

  35 Hours

Deep Learning with TensorFlow

  21 Hours

Related Categories