Course Outline

Introductie

  • Kubeflow Aan OpenShift versus beheerde services in de openbare cloud

Overzicht van Kubeflow op OpenShift

  • Containers voor het lezen van codes
  • Opbergmogelijkheden

Overzicht van het instellen van de omgeving

  • Een Kubernetes cluster opzetten

Instellen Kubeflow op OpenShift

  • Installeren Kubeflow

Het model coderen

  • Een ML-algoritme kiezen
  • Implementatie van een TensorFlow CNN-model

Het lezen van de gegevens

  • Accessing van een dataset

Kubeflow Pijpleidingen op OpenShift

  • Een end-to-end Kubeflow pijplijn opzetten
  • Pijplijnen aanpassen Kubeflow

Een ML-trainingstaak uitvoeren

  • Een model trainen

Het model implementeren

  • Een getraind model uitvoeren op OpenShift

Integratie van het model in een webapplicatie

  • Een voorbeeldtoepassing maken
  • Voorspellingsverzoeken verzenden

Toedienen Kubeflow

  • Monitoring met Tensorboard
  • Logboeken beheren

Een Kubeflow cluster beveiligen

  • Verificatie en autorisatie instellen

Probleemoplossing

Samenvatting en conclusie

Requirements

  • Een goed begrip van machine learning-concepten.
  • Kennis van cloud computing concepten.
  • Een algemeen begrip van containers (Docker) en orkestratie (Kubernetes).
  • Enige Python programmeerervaring is handig.
  • Ervaring met het werken met een opdrachtregel.

Audiëntie

  • Data science-ingenieurs.
  • DevOps Ingenieurs die geïnteresseerd zijn in de implementatie van machine learning-modellen.
  • Infrastructuuringenieurs die geïnteresseerd zijn in de implementatie van machine learning-modellen.
  • Software-ingenieurs die de integratie en implementatie van machine learning-functies met hun applicatie willen automatiseren.
 28 Hours

Number of participants


Price per participant

Testimonials (5)

Voorlopige Aankomende Cursussen

Related Categories