コース概要

導入

  • Azure 上の Kubeflow vs オンプレミス vs 他のパブリック クラウド プロバイダー

Kubeflow 機能とアーキテクチャの概要

導入プロセスの概要

Azure アカウントのアクティブ化

GPU が有効な仮想マシンの準備と起動

ユーザーの役割と権限の設定

ビルド環境の準備

TensorFlow モデルとデータセットの選択

コードとフレームワークを Docker イメージにパッケージ化する

AKS を使用した Kubernetes クラスターのセットアップ

トレーニングおよび検証データのステージング

Kubeflow パイプラインの構成

トレーニング ジョブを開始します。

実行時のトレーニング ジョブの視覚化

ジョブ完了後のクリーンアップ

トラブルシューティング

要約と結論

要求

  • 機械学習の概念を理解していること
  • クラウドコンピューティングの概念に関する知識
  • コンテナ(Docker)とオーケストレーション(Kubernetes)の一般的な理解
  • 何らかのPythonプログラミング経験があると便利です
  • コマンドラインでの作業経験

観客

  • データサイエンスエンジニア
  • DevOps機械学習モデルのデプロイに興味があるエンジニア
  • 機械学習モデルのデプロイに興味があるインフラエンジニア。
  • 機械学習機能のアプリケーションへの統合とデプロイを自動化したいソフトウェアエンジニア
  28 時間
 

参加者の人数


開始

完了


Dates are subject to availability and take place between 10:00 and 17:00.
Open Training Courses require 5+ participants.

お客様の声 (3)

関連コース

Building Microservices with Microsoft Azure Service Fabric (ASF)

  21 時間

関連カテゴリー