Bądźmy w kontakcie

Plan Szkolenia

Wprowadzenie

Przegląd funkcji i komponentów Kubeflow

  • Kontenery, manifesty, itp.

Przegląd pipeline'a uczenia maszynowego

  • Trening, testy, dostrojenie, wdrażanie, itp.

Wdrażanie Kubeflow do klastra Kubernetes

  • Przygotowanie środowiska wykonawczego (klaster treningowy, klaster produkcyjny, itp.)
  • Pobieranie, instalacja i dostosowanie.

Uruchamianie pipeline'a uczenia maszynowego na Kubernetesie

  • Budowanie pipeline'a TensorFlow.
  • Budowanie pipeline'a PyTorch.

Wizualizacja wyników

  • Eksport i wizualizacja metryk pipeline'a

Dostosowywanie środowiska wykonawczego

  • Dostosowywanie stosu technologicznego do różnych infrastruktur
  • Aktualizacja wdrożenia Kubeflow

Uruchamianie Kubeflow w publicznych chmurach

  • AWS, Microsoft Azure, Google Cloud Platform

Zarządzanie workflowami produkcyjnymi

  • Praca w metodologii GitOps
  • Planowanie zadań
  • Tworzenie notatników Jupyter

Diagnostyka i rozwiązywanie problemów

Podsumowanie i wnioski

Wymagania

  • Znajomość składni Pythona
  • Doświadczenie w pracy z Tensorflow, PyTorch lub innym frameworkiem do uczenia maszynowego
  • Konto u dostawcy publicznej chmury (opcjonalnie)

Grupa docelowa

  • Developerzy
  • Naukowcy danych
 28 godzin

Liczba uczestników


Cena za uczestnika (netto)

Propozycje terminów

Powiązane Kategorie