Plan Szkolenia

Wprowadzenie

  • Kubeflow on AWS vs lokalnie vs u innych dostawców chmury publicznej

Przegląd funkcji i architektury Kubeflow

Aktywacja konta AWS

Przygotowanie i uruchomienie instancji AWS z włączoną obsługą GPU

Konfigurowanie ról i uprawnień użytkowników

Przygotowanie środowiska kompilacji

Wybór TensorFlow modelu i zestawu danych

Pakowanie kodu i frameworków do Docker obrazu

Konfigurowanie klastra Kubernetes przy użyciu EKS

Inscenizacja danych szkoleniowych i walidacyjnych

Konfigurowanie Kubeflow Potoków

Uruchamianie zadania treningowego przy użyciu Kubeflow w EKS

Wizualizacja zadania treningowego w czasie wykonywania

Sprzątanie po zakończeniu pracy

Rozwiązywanie problemów

Podsumowanie i wnioski

Wymagania

  • Zrozumienie koncepcji uczenia maszynowego.
  • Znajomość koncepcji przetwarzania w chmurze.
  • Ogólne zrozumienie kontenerów (Docker) i orkiestracji (Kubernetes).
  • Pomocne jest pewne Python doświadczenie w programowaniu.
  • Doświadczenie w pracy z wierszem poleceń.

Uczestnicy

  • Inżynierowie zajmujący się nauką o danych.
  • DevOps inżynierów zainteresowanych wdrażaniem modeli uczenia maszynowego.
  • Inżynierowie infrastruktury zainteresowani wdrażaniem modeli uczenia maszynowego.
  • Inżynierowie oprogramowania, którzy chcą zintegrować i wdrożyć funkcje uczenia maszynowego w swojej aplikacji.
 28 godzin

Liczba uczestników


cena netto za uczestnika

Opinie uczestników (5)

Propozycje terminów

Powiązane Kategorie