Návrh Školení

Úvod

    Kubeflow na IKS versus on-premise versus na jiných veřejných cloudových poskytovatelích

Přehled Kubeflow funkcí v IBM Cloud

    IKS IBM Cloud Object Storage

Přehled nastavení prostředí

    Příprava virtuálních strojů Nastavení Kubernetes clusteru

Nastavení Kubeflow on IBM Cloud

    Instalace Kubeflow přes IKS

Kódování modelu

    Volba ML algoritmu Implementace TensorFlow CNN modelu

Čtení dat

    Accesss využitím datové sady MNIST

Pipelines na IBM Cloud

    Nastavení end-to-end Kubeflow potrubí Přizpůsobení Kubeflow potrubí

Vedení školení ML

    Školení modelu MNIST

Nasazení modelu

    Běží TensorFlow Slouží na IKS

Integrace modelu do webové aplikace

    Vytvoření vzorové aplikace Odesílání požadavků na predikci

Správa Kubeflow

    Monitorování pomocí Tensorboard Správa protokolů

Zabezpečení Kubeflow clusteru

    Nastavení autentizace a autorizace

Odstraňování problémů

Shrnutí a závěr

Požadavky

  • Pochopení konceptů strojového učení.
  • Znalost konceptů cloud computingu.
  • Obecná znalost kontejnerů (Docker) a orchestrace (Kubernetes).
  • Některé Python zkušenosti s programováním jsou užitečné.
  • Zkušenosti s prací s příkazovým řádkem.

Publikum

  • Inženýři datové vědy.
  • DevOps inženýři zajímající se o nasazení modelu strojového učení.
  • Inženýři infrastruktury zajímající se o nasazení modelu strojového učení.
  • Softwaroví inženýři, kteří chtějí automatizovat integraci a nasazení funkcí strojového učení s jejich aplikací.
  28 hodiny
 

Počet účastníků


Začátek

Konec


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Reference (2)

Související kurzy

Související kategorie