Schulungsübersicht

Einführung

  • Kubeflow auf IKS vs. On-Premise vs. andere öffentliche Cloud-Anbieter

Überblick über Kubeflow Funktionen in der IBM Cloud

  • IKS
  • IBM Cloud-Objektspeicher

Überblick über die Einrichtung der Umgebung

  • Virtuelle Maschinen vorbereiten
  • Einrichten eines Kubernetes-Clusters

Einrichten Kubeflow on IBM Cloud

  • Installieren Kubeflow durch IKS

Codierung des Modells

  • Auswahl eines ML-Algorithmus
  • Implementierung eines TensorFlow CNN-Modells

Lesen der Daten

  • Accessür den MNIST-Datensatz

Pipelines in der IBM Cloud

  • Einrichten einer End-to-End Kubeflow-Pipeline
  • Anpassen von Kubeflow-Pipelines

Durchführung einer ML-Ausbildungsstelle

  • Training eines MNIST-Modells

Einsatz des Modells

  • Laufender TensorFlow Dienst am IKS

Einbindung des Modells in eine Webanwendung

  • Erstellen einer Beispielanwendung
  • Senden von Vorhersageanforderungen

Verabreichung Kubeflow

  • Überwachung mit Tensorboard
  • Protokolle verwalten

Absicherung eines Kubeflow Clusters

  • Einrichten von Authentifizierung und Autorisierung

Fehlersuche

Zusammenfassung und Schlussfolgerung

Voraussetzungen

  • Verständnis für Konzepte des maschinellen Lernens.
  • Kenntnisse über Cloud-Computing-Konzepte.
  • Ein allgemeines Verständnis von Containern (Docker) und Orchestrierung (Kubernetes).
  • Ein wenig Python Programmiererfahrung ist hilfreich.
  • Erfahrung im Umgang mit einer Kommandozeile.

Publikum

  • Datenwissenschaftler.
  • DevOps Ingenieure, die an der Entwicklung von Modellen für maschinelles Lernen interessiert sind.
  • Infrastrukturingenieure, die an der Bereitstellung von maschinellen Lernmodellen interessiert sind.
  • Software-Ingenieure, die die Integration und Bereitstellung von Funktionen des maschinellen Lernens in ihrer Anwendung automatisieren möchten.
 28 Stunden

Teilnehmerzahl



Preis je Teilnehmer

Erfahrungsberichte (2)

Verwandte Kategorien