Návrh Školení

Úvod

  • Kubeflow on OpenShift vs služby spravované veřejným cloudem

Přehled Kubeflow on OpenShift

  • Kontejnery pro čtení kódu
  • Možnosti úložiště

Přehled nastavení prostředí

  • Nastavení clusteru Kubernetes

Nastavení Kubeflow on OpenShift

  • Instalace Kubeflow

Kódování modelu

  • Výběr algoritmu ML
  • Implementace TensorFlow modelu CNN

Čtení dat

  • Accesssouboru dat

Potrubí Kubeflow na OpenShift

  • Nastavení end-to-end Kubeflow potrubí
  • Přizpůsobení Kubeflow Potrubí

Vedení školení ML

  • Školení modelky

Nasazení modelu

  • Spuštění trénovaného modelu na OpenShift

Integrace modelu do webové aplikace

  • Vytvoření ukázkové aplikace
  • Odesílání požadavků na předpověď

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.

Price per participant

Reference (4)

Související kurzy

Související kategorie