Course Outline

Εισαγωγή

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

Επισκόπηση Kubeflow Χαρακτηριστικά και Αρχιτεκτονική

Επισκόπηση της Διαδικασίας Ανάπτυξης

Ενεργοποίηση λογαριασμού Azure

Προετοιμασία και εκκίνηση εικονικών μηχανών με δυνατότητα GPU

Ρύθμιση ρόλων και δικαιωμάτων χρήστη

Προετοιμασία του Περιβάλλοντος Δόμησης

Επιλογή μοντέλου και συνόλου δεδομένων TensorFlow

Συσκευασία κώδικα και πλαισίων σε Docker εικόνα

Ρύθμιση συμπλέγματος Kubernetes με χρήση AKS

Σταδιοποίηση των Δεδομένων Εκπαίδευσης και Επικύρωσης

Διαμόρφωση Kubeflow αγωγών

Έναρξη εργασίας κατάρτισης.

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.
  • Μηχανικοί υποδομής που 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


Starts

Ends


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

Testimonials (3)

Related Courses

MLflow

  21 Hours

Building Microservices with Microsoft Azure Service Fabric (ASF)

  21 Hours

MLOps: CI/CD for Machine Learning

  35 Hours

Kubeflow

  35 Hours

Azure CLI: Getting Started

  7 Hours

Related Categories