Programa del Curso

Introducción

Descripción general de Kubeflow Características y componentes

  • Contenedores, manifiestos, etc.

Descripción general de una Machine Learning canalización

  • Entrenamiento, pruebas, ajustes, despliegue, etc.

Implementación de Kubeflow en un clúster Kubernetes

  • Preparación del entorno de ejecución (clúster de entrenamiento, clúster de producción, etc.)
  • Descarga, instalación y personalización.

Ejecución de una canalización Machine Learning en Kubernetes

  • Creación de una canalización de TensorFlow.
  • Construcción de una pipleline PyTorch.

Visualización de los resultados

  • Exportación y visualización de métricas de canalización

Personalización del entorno de ejecución

  • Personalización de la pila para diversas infraestructuras
  • Actualización de una implementación Kubeflow

Ejecución Kubeflow en nubes públicas

  • AWS, Microsoft Azure, Google Cloud Platform

Gestión de flujos de trabajo de producción

  • Ejecución con la metodología GitOps
  • Programación de trabajos
  • Generación de cuadernos de Jupyter

Solución de problemas

Resumen y conclusión

Requerimientos

  • Familiaridad con la sintaxis de Python
  • Experiencia con Tensorflow, PyTorch u otro marco de aprendizaje automático
  • Una cuenta de proveedor de nube pública (opcional) 

Audiencia

  • Desarrolladores
  • Científicos de datos
  28 horas
 

Número de participantes


Comienza

Termina


Dates are subject to availability and take place between 09:30 and 16:30.
Los cursos de formación abiertos requieren más de 5 participantes.

Cursos Relacionados

Categorías Relacionadas