Course Outline

Εισαγωγή

Επισκόπηση των Kubeflow Δυνατοτήτων και εξαρτημάτων

    Δοχεία, μανιφέστα κ.λπ.

Επισκόπηση ενός αγωγού Machine Learning

    Εκπαίδευση, δοκιμή, συντονισμός, ανάπτυξη κ.λπ.

Ανάπτυξη του Kubeflow σε ένα Kubernetes σύμπλεγμα

    Προετοιμασία του περιβάλλοντος εκτέλεσης (cluster εκπαίδευσης, cluster παραγωγής κ.λπ.) Λήψη, εγκατάσταση και προσαρμογή.

Λειτουργία Machine Learning αγωγού στο Kubernetes

    Κατασκευή ενός αγωγού TensorFlow. Κατασκευή αγωγού PyTorch.

Οπτικοποίηση των αποτελεσμάτων

    Εξαγωγή και οπτικοποίηση μετρήσεων αγωγών

Προσαρμογή του Περιβάλλοντος Εκτέλεσης

    Προσαρμογή της στοίβας για διαφορετικές υποδομές Αναβάθμιση ανάπτυξης Kubeflow

Εκτελείται Kubeflow σε δημόσια σύννεφα

    AWS, Microsoft Azure, Google Cloud Platform

Διαχείριση ροών εργασιών παραγωγής

    Εκτέλεση με τη μεθοδολογία GitOps Προγραμματισμός εργασιών Δημιουργία φορητών υπολογιστών Jupyter

Αντιμετώπιση προβλημάτων

Περίληψη και Συμπέρασμα

Requirements

  • Εξοικείωση με τη σύνταξη Python
  • Εμπειρία με το Tensorflow, το PyTorch ή άλλο πλαίσιο μηχανικής εκμάθησης
  • Ένας δημόσιος λογαριασμός παρόχου cloud (προαιρετικό)

Ακροατήριο

  • προγραμματιστές
  • Επιστήμονες δεδομένων
  28 Hours
 

Number of participants


Starts

Ends


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Related Courses

Advanced Stable Diffusion: Deep Learning for Text-to-Image Generation

  21 Hours

Related Categories