Course Outline

Εισαγωγή

    Kubeflow on AWS έναντι on-premise έναντι άλλων παρόχων δημόσιου cloud

Επισκόπηση Kubeflow Χαρακτηριστικά και Αρχιτεκτονική

Ενεργοποίηση λογαριασμού AWS

Προετοιμασία και εκκίνηση παρουσιών AWS με δυνατότητα GPU

Ρύθμιση ρόλων και δικαιωμάτων χρήστη

Προετοιμασία του Περιβάλλοντος Δόμησης

Επιλογή μοντέλου και συνόλου δεδομένων TensorFlow

Συσκευασία κώδικα και πλαισίων σε εικόνα Docker

Ρύθμιση συμπλέγματος Kubernetes με χρήση EKS

Σταδιοποίηση των Δεδομένων Εκπαίδευσης και Επικύρωσης

Διαμόρφωση Kubeflow αγωγών

Ξεκινώντας μια εργασία εκπαίδευσης χρησιμοποιώντας το Kubeflow στο EKS

Οπτικοποίηση της εργασίας εκπαίδευσης σε χρόνο εκτέλεσης

Καθαρισμός μετά την ολοκλήρωση της εργασίας

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 ενσωματώσουν και να αναπτύξουν λειτουργίες μηχανικής εκμάθησης με την εφαρμογή τους.
  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

MLflow

  21 Hours

AWS Lambda for Developers

  14 Hours

Advanced AWS Lambda

  14 Hours

MLOps: CI/CD for Machine Learning

  35 Hours

Kubeflow

  35 Hours

Related Categories