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.
Plan du cours
Introduction
Vue d'ensemble des caractéristiques et des composants de Kubeflow.
- Conteneurs, manifestes, etc.
Vue d'ensemble d'un Machine Learning pipeline
- Formation, test, réglage, déploiement, etc.
Déploiement de Kubeflow sur un Kubernetes cluster
- Préparation de l'environnement d'exécution (cluster de formation, cluster de production, etc.)
- Téléchargement, installation et personnalisation.
Exécution d'un pipeline Machine Learning sur Kubernetes
- Construire un pipeline TensorFlow.
- Construire un pipeline PyTorch.
Visualisation des résultats
- Exportation et visualisation des données relatives au pipeline
Personnalisation de l'environnement d'exécution
- Personnaliser la pile pour diverses infrastructures
- Mise à niveau d'un déploiement Kubeflow
Exécution Kubeflow sur des nuages publics
- AWS, Microsoft Azure, Google Cloud Platform
Gestion des flux de production
- Exécuter avec la méthodologie GitOps
- Planification des tâches
- Création de blocs-notes Jupyter
Dépannage
Résumé et conclusion
Pré requis
- Familiarité avec la syntaxe Python
- Expérience avec Tensorflow, PyTorch, ou autre framework d'apprentissage automatique
- Un compte de fournisseur de cloud public (facultatif)
Public
- Développeurs
- Data scientists
28 heures
Cours Similaires
H2O AutoML
14 heures
AutoML with Auto-sklearn
14 heures
AutoML with Auto-Keras
14 heures
AlphaFold
7 heures
TensorFlow Lite for Embedded Linux
21 heures
TensorFlow Lite for Android
21 heures
TensorFlow Lite for iOS
21 heures
Tensorflow Lite for Microcontrollers
21 heures
Deep Learning with Keras
21 heures