Verständnis der Kubernetes-basierten Architektur von Kubeflow
Übersicht über die wichtigsten Kubeflow-Komponenten und -Tools
Übungen zur Verwendung von Kubeflow-Komponenten
Entwicklung von Machine-Learning-Modellen mit Kubeflow
Übungen zum Trainieren von ML-Modellen mit Kubeflow
Verständnis der Arbeitsabläufe für das Training von ML-Modellen
Übungen zur Verwendung von TensorFlow und anderen ML-Bibliotheken
Bereitstellung von ML-Modellen in Produktion
Übungen zur Bereitstellung von ML-Modellen auf Kubernetes
Verständnis der Herausforderungen bei der Bereitstellung von ML-Modellen in Produktion
Übungen zur Überwachung und Verwaltung von bereitgestellten ML-Modellen
Überwachung und Wartung von ML-Modellen
Übungen zur Überwachung von ML-Modellen mithilfe von Kubeflow
Verständnis der Konzepte für die Überwachung von ML-Modellen
Übungen zur Fehlerbehebung und Wartung von ML-Modellen in Produktion
Dauer/zeitlicher Ablauf:
2 Tage
Zielgruppe:
Datenwissenschaftler:innen, Entwickler:innen für maschinelles Lernen, DevOps-Ingenieur:innen und Infrastrukturbetreiber:innen, die wenig oder gar keine Erfahrung mit Kubeflow haben und ihr Wissen Schritt für Schritt aufbauen und testen möchten.
Wir setzen Analyse-Cookies ein, um Ihre Zufriedenheit bei der Nutzung unserer Webseite zu verbessern.
Diese Cookies werden nicht automatisiert gesetzt.
Wenn Sie mit dem Einsatz dieser Cookies einverstanden sind, klicken Sie bitte auf Akzeptieren.
Weitere Informationen finden Sie hier.
