Programa del Curso

Introducción

  • Kubeflow on Azure Frente a los entornos locales frente a otros proveedores de nube pública

Descripción general de Kubeflow Características y arquitectura

Información general sobre el proceso de implementación

Activación de una cuenta Azure

Preparación e inicio de máquinas virtuales habilitadas para GPU

Configuración de roles y permisos de usuario

Preparación del entorno de compilación

Selección de un TensorFlow modelo y un conjunto de datos

Empaquetar código y marcos en una Docker imagen

Configuración de un clúster Kubernetes mediante AKS

Almacenamiento provisional de los datos de entrenamiento y validación

Configuración de Kubeflow canalizaciones

Lanzamiento de un trabajo de formación.

Visualización del trabajo de entrenamiento en tiempo de ejecución

Limpieza después de que se complete el trabajo

Solución de problemas

Resumen y conclusión

Requerimientos

  • Comprensión de los conceptos de aprendizaje automático.
  • Conocimiento de los conceptos de computación en la nube.
  • Conocimientos generales de contenedores (Docker) y orquestación (Kubernetes).
  • Algo de Python experiencia en programación es útil.
  • Experiencia trabajando con una línea de comandos.

Audiencia

  • Ingenieros en ciencia de datos.
  • DevOps Ingenieros interesados en la implementación de modelos de aprendizaje automático.
  • Ingenieros de infraestructura interesados en la implementación de modelos de aprendizaje automático.
  • Ingenieros de software que deseen automatizar la integración y el despliegue de funciones de aprendizaje automático con su aplicación.
 28 horas

Número de participantes



Precio por participante

Testimonios (4)

Categorías Relacionadas