Schulungsübersicht

Einführung

  • Einführung in Kubernetes
  • Überblick über Kubeflow Funktionen und Architektur
  • Kubeflow auf AWS vs. On-Premise vs. auf anderen öffentlichen Cloud-Anbietern

Einrichten eines Clusters mit AWS EKS

Einrichten eines On-Premise-Clusters mit Microk8s

Bereitstellung Kubernetes mit einem GitOps-Ansatz

Ansätze zur Datenspeicherung

Erstellen einer Kubeflow Pipeline

Auslösen einer Pipeline

Definieren von Output-Artefakten

Speichern von Metadaten für Datensätze und Modelle

Hyperparameter-Abstimmung mit TensorFlow

Visualisieren und Analysieren der Ergebnisse

Multi-GPU Ausbildung

Erstellen eines Inferenzservers für die Bereitstellung von ML-Modellen

Arbeiten mit JupyterHub

Networking und Lastausgleich

Automatische Skalierung eines Kubernetes Clusters

Fehlersuche

Zusammenfassung und Schlussfolgerung

Voraussetzungen

  • Vertrautheit mit der Python-Syntax 
  • Erfahrung mit Tensorflow, PyTorch oder einem anderen Framework für maschinelles Lernen
  • Ein AWS-Konto mit den erforderlichen Ressourcen

Publikum

  • Entwickler
  • Datenwissenschaftler
  35 Stunden
 

Teilnehmerzahl


Beginnt

Endet


Die Termine sind abhängig von der Verfügbarkeit und finden zwischen 09:30 und 16:30 statt.
Offene Schulungskurse erfordern mindestens 5 Teilnehmer.

Erfahrungsberichte (1)

Kombinierte Kurse

Verwandte Kategorien