Gracias por enviarnos su consulta. Un miembro de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva. Un miembro de nuestro equipo se pondrá en contacto con usted en breve.
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