Course Outline

Εισαγωγή

    Kubeflow σε IKS vs on-premise vs σε άλλους δημόσιους παρόχους cloud

Επισκόπηση των Kubeflow δυνατοτήτων στο IBM Cloud

    IKS IBM Cloud Object Storage

Επισκόπηση της ρύθμισης περιβάλλοντος

    Προετοιμασία εικονικών μηχανών Ρύθμιση συμπλέγματος Kubernetes

Ρύθμιση Kubeflow on IBM Cloud

    Εγκατάσταση Kubeflow μέσω IKS

Κωδικοποίηση του μοντέλου

    Επιλογή αλγορίθμου ML Εφαρμογή ενός μοντέλου TensorFlow CNN

Διαβάζοντας τα Δεδομένα

    Accessμε το σύνολο δεδομένων MNIST

Pipelines στο IBM Cloud

    Ρύθμιση ενός αγωγού από άκρο σε άκρο Kubeflow Προσαρμογή Kubeflow αγωγών

Εκτέλεση εργασίας εκπαίδευσης ML

    Εκπαίδευση μοντέλου MNIST

Ανάπτυξη του Μοντέλου

    Εκτέλεση TensorFlow Εξυπηρέτηση στο IKS

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 (2)

Related Courses

MLflow

21 Hours

MLOps: CI/CD for Machine Learning

35 Hours

Kubeflow

35 Hours

Related Categories