Programa do Curso

Introdução

  • Kubeflow on OpenShift versus serviços gerenciados em nuvem pública

Visão geral de Kubeflow on OpenShift

  • Contêineres de leitura de código
  • Opções de armazenamento

Visão geral da configuração do ambiente

  • Configurando um Kubernetes cluster

Configurando Kubeflow on OpenShift

  • Instalando Kubeflow

Codificando o Modelo

  • Escolhendo um algoritmo de ML
  • Implementando um TensorFlow modelo CNN

Lendo os dados

  • Accessing um conjunto de dados

Pipelines Kubeflow em OpenShift

  • Configurando um pipeline ponta a ponta Kubeflow
  • Personalizando Kubeflow Pipelines

Executando um trabalho de treinamento de ML

  • Treinando um modelo

Implantando o modelo

  • Executando um modelo treinado em OpenShift

Integrando o modelo em um aplicativo da Web

  • Criando um aplicativo de amostra
  • Enviando solicitações de previsão

Administração Kubeflow

  • Monitoramento com Tensorboard
  • Gerenciando registros

Protegendo um Kubeflow Cluster

  • Configurando autenticação e autorização

Solução de problemas

Resumo e conclusão.

Requisitos

  • Compreensão dos conceitos de aprendizagem automática.
  • Conhecimento dos conceitos de computação em nuvem.
  • Um entendimento geral de contêineres (Docker) e orquestração (Kubernetes).
  • Alguma experiência de programação Python é útil.
  • Experiência de trabalho com uma linha de comando.

Público

  • Engenheiros de ciência de dados.
  • DevOps engenheiros interessados na implantação de modelos de aprendizado de máquina.
  • Engenheiros de infraestrutura interessados na implantação de modelos de aprendizado de máquina.
  • Engenheiros de software que desejam automatizar a integração e a implantação de recursos de aprendizado de máquina com seu aplicativo
  28 horas
 

Número de participantes


Inicia

Termina


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

Declaração de Clientes (4)

Cursos Relacionados

Categorias Relacionadas