Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Struttura del corso
Introduzione
- Kubeflow on AWS Confronto tra on-premise e altri provider di cloud pubblico
Panoramica di Kubeflow Funzionalità e architettura
Attivazione di un account AWS
Preparazione e avvio di istanze AWS abilitate per GPU
Impostazione dei ruoli utente e delle autorizzazioni
Preparazione dell'ambiente di compilazione
Selezione di un modello e di un set di dati TensorFlow
Impacchettamento di codice e framework in un'immagine Docker
Configurazione di un cluster Kubernetes tramite EKS
Gestione temporanea dei dati di training e convalida
Configurazione di Kubeflow Pipeline
Avvio di un processo di formazione utilizzando Kubeflow in EKS
Visualizzazione del processo di training in fase di esecuzione
Pulizia al termine del lavoro
Risoluzione dei problemi
Riassunto e conclusione
Requisiti
- Comprensione dei concetti di machine learning.
- Conoscenza dei concetti di cloud computing.
- Una conoscenza generale dei contenitori (Docker) e dell'orchestrazione (Kubernetes).
- Un po' di Python esperienza di programmazione è utile.
- Esperienza di lavoro con una riga di comando.
Pubblico
- Ingegneri della scienza dei dati.
- DevOps Ingegneri interessati all'implementazione di modelli di Machine Learning.
- Ingegneri dell'infrastruttura interessati alla distribuzione di modelli di machine learning.
- Ingegneri del software che desiderano integrare e distribuire funzionalità di machine learning con la propria applicazione.
28 ore
Recensioni (3)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Corso - MLflow
All good, nothing to improve
Ievgen Vinchyk - GE Medical Systems Polska Sp. Z O.O.
Corso - AWS Lambda for Developers
IOT applications
