План на курса

Въведение

    Kubeflow на IKS срещу локални срещу други публични доставчици на облак

Преглед на Kubeflow функции на IBM Cloud

    IKS IBM Cloud Object Storage

Преглед на настройката на средата

    Подготовка на виртуални машини Настройка на Kubernetes клъстер

Настройка Kubeflow on IBM Cloud

    Инсталиране на Kubeflow през IKS

Кодиране на модела

    Избор на ML алгоритъм Внедряване на TensorFlow CNN модел

Четене на данните

    Accessизвършване на набора от данни на MNIST

Тръбопроводи в IBM Cloud

    Настройване на конвейер от край до край Kubeflow Персонализиране на Kubeflow конвейери

Изпълнение на работа за обучение по ML

    Обучение на модел MNIST

Разгръщане на модела

    Бягане TensorFlow Сервиране на IKS

Интегриране на модела в уеб приложение

    Създаване на примерно приложение Изпращане на заявки за предвиждане

Администриране Kubeflow

    Мониторинг с Tensorboard Управление на регистрационни файлове

Осигуряване на Kubeflow клъстер

    Настройка на удостоверяване и оторизация

Отстраняване на неизправности

Обобщение и заключение

Изисквания

  • Разбиране на концепциите за машинно обучение.
  • Познаване на концепциите за облачни изчисления.
  • Общо разбиране за контейнери (Docker) и оркестрация (Kubernetes).
  • Известен Python опит в програмирането е полезен.
  • Опит при работа с команден ред.

Публика

  • Инженери по наука за данни.
  • DevOps инженери, които се интересуват от внедряването на модел за машинно обучение.
  • Инфраструктурните инженери се интересуват от внедряването на модели за машинно обучение.
  • Софтуерни инженери, желаещи да автоматизират интегрирането и внедряването на функции за машинно обучение със своето приложение.
 28 Hours

Брой участници


Цена за участник

Oтзиви от потребители (2)

Свързани Kатегории