Plan du cours

Introduction

  • Kubeflow sur IKS vs sur site vs sur d'autres fournisseurs de cloud public

Aperçu des fonctionnalités Kubeflow sur IBM Cloud

  • IKS
  • Stockage d'objets dans le nuage IBM

Aperçu de la configuration de l'environnement

  • Préparation des machines virtuelles
  • Mise en place d'un Kubernetes cluster

Mise en place Kubeflow on IBM Cloud

  • Installation Kubeflow par IKS

Codage du modèle

  • Choix d'un algorithme de ML
  • Implémentation d'un modèle CNN TensorFlow

Lecture des données

  • Accessl'ensemble de données MNIST

Pipelines sur IBM Cloud

  • Mise en place d'un pipeline Kubeflow de bout en bout
  • Personnalisation des Kubeflow pipelines

Gestion d'un emploi de formation en ML

  • Formation d'un modèle MNIST

Déploiement du modèle

  • En cours d'exécution TensorFlow Servir sur IKS

Intégration du modèle dans une application Web

  • Création d'un exemple d'application
  • Envoi de demandes de prédiction

Administrer Kubeflow

  • Surveillance avec Tensorboard
  • Gestion des journaux

Sécurisation d'un Kubeflow cluster

  • Mise en place de l'authentification et de l'autorisation

Dépannage

Résumé et conclusion

Pré requis

  • Une compréhension des concepts d'apprentissage automatique.
  • Une connaissance des concepts de l'informatique en nuage.
  • Une compréhension générale des conteneurs (Docker) et de l'orchestration (Kubernetes).
  • Une certaine expérience de la programmation Python est utile.
  • Expérience du travail en ligne de commande.

Audience

  • Ingénieurs en science des données.
  • DevOps ingénieurs intéressés par le déploiement de modèles d'apprentissage automatique.
  • Ingénieurs en infrastructure intéressés par le déploiement de modèles d'apprentissage automatique.
  • Ingénieurs en logiciel souhaitant automatiser l'intégration et le déploiement de fonctionnalités d'apprentissage automatique avec leur application.
 28 heures

Nombre de participants


Prix par participant

Nos Clients témoignent (3)

Catégories Similaires