Neem contact met ons op

Cursusaanbod

Introductie

Overzicht van Kubeflow-functies en componenten

  • Containers, manifests, enzovoort.

Overzicht van een machine learning-pijplijn

  • Training, testen, tuning, implementatie, enzovoort.

Kubeflow implementeren op een Kubernetes-cluster

  • De uitvoeringsomgeving voorbereiden (trainingcluster, productiester, enzovoort)
  • Omladen, installeren en aanpassen.

Een machine learning-pijplijn uitvoeren op Kubernetes

  • Een TensorFlow-pijplijn bouwen.
  • Een PyTorch-pijplijn bouwen.

Resultaten visualiseren

  • Pijlijnmetieken exporteren en visualiseren

De uitvoeringsomgeving aanpassen

  • De stack aanpassen voor diverse infrastructuren
  • Een Kubeflow-implementatie upgraden

Kubeflow uitvoeren op publieke clouds

  • AWS, Microsoft Azure, Google Cloud Platform

Productiewerkstromen beheren

  • Uitvoeren met de GitOps-methodologie
  • Jobs inplannen
  • Jupyter-notebooks opstarten

Problemen oplossen

Samenvatting en conclusie

Vereisten

  • Kennis van Python-syntaxis
  • Ervaring met TensorFlow, PyTorch of een ander machine learning-framework
  • Een account bij een publieke cloudprovider (optioneel)

Doelgroep

  • Ontwikkelaars
  • Datawetenschappers
 28 Uren

Aantal deelnemers


Prijs per deelnemer

Voorlopige Aankomende Cursussen

Gerelateerde categorieën