Programa del Curso

Introducción

Descripción general de Kubeflow Características y componentes

  • Contenedores, manifiestos, etcétera.

Descripción general de una Machine Learning canalización

  • Entrenamiento, pruebas, ajustes, despliegue, etcétera.

Implementación de Kubeflow en un clúster Kubernetes

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

Ejecución de una canalización Machine Learning en Kubernetes

  • Construcción de una tubería 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, GoPlataforma en la nube

Gestión de flujos de trabajo de producción

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

Solución de problemas

Resumen y conclusión

Requerimientos

  • Familiaridad con la sintaxis 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


Precio por Participante​

Testimonios (1)

Próximos cursos

Categorías Relacionadas