Курс за обучение по Kubeflow

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към разработчици и специалисти по данни, които желаят да изграждат, разгръщат и управляват работни процеси за машинно обучение на Kubernetes.

До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте Kubeflow на място и в облака.
• Изградете, разположете и управлявайте работни потоци на ML въз основа на Docker контейнери и Kubernetes.
• Изпълнявайте цели тръбопроводи за машинно обучение на различни архитектури и облачни среди.
• Използване на Kubeflow за създаване и управление на преносими компютри Jupyter.
• Изграждане на ML обучение, настройка на хиперпараметри и обслужване на работни натоварвания в множество платформи.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към инженери, които желаят да внедрят Machine Learning работни натоварвания на AWS EC2 сървър.

До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте Kubernetes, Kubeflow и друг необходим софтуер на AWS.
• Използвайте EKS (Elastic Kubernetes Service), за да опростите работата по инициализиране на Kubernetes клъстер на AWS.
• Създайте и разположете конвейер на Kubernetes за автоматизиране и управление на ML модели в производството.
• Обучете и разположете TensorFlow ML модели в множество GPU и машини, работещи паралелно.
• Използвайте други услуги, управлявани от AWS, за да разширите ML приложение.

Това водено от инструктор обучение на живо в България (онлайн или на място) е насочено към инженери, които желаят да разположат Machine Learning работни натоварвания в облак Azure.

До края на това обучение участниците ще могат:

• Инсталирайте и конфигурирайте Kubernetes, Kubeflow и друг необходим софтуер на Azure.
• Използвайте Azure Kubernetes Service (AKS), за да опростите работата по инициализиране на Kubernetes клъстер в Azure.
• Създайте и разположете конвейер на Kubernetes за автоматизиране и управление на ML модели в производството.
• Обучете и внедрите TensorFlow ML модели в множество GPU и машини, работещи паралелно.
• Използвайте други услуги, управлявани от AWS, за да разширите ML приложение.