+49 (0) 30 5201 4923
Beherrschen Sie die Kunst der Bereitstellung von Machine-Learning-Workloads auf Azure mit Kubeflow. Dieser Kurs bietet praktische Erfahrungen, die es Ihnen ermöglichen, Kubernetes und TensorFlow für eine optimierte Bereitstellung und Verwaltung von ML-Modellen zu nutzen.
Dieser Kurs richtet sich an Ingenieure, die Machine-Learning-Workloads auf Azure skalieren wollen. Die Schulung wird von erfahrenen Experten durchgeführt und führt Sie durch die Feinheiten von Kubeflow, Kubernetes und TensorFlow.
Was Sie erreichen werden:
• Erfassen Sie die Feinheiten von Kubeflow und wie es mit Kubernetes zusammenarbeitet.
• Erwerben Sie die Fähigkeiten, Azure Kubernetes Service (AKS) einzurichten und zu verwalten.
• Lernen Sie, robuste Kubernetes-Pipelines für die Automatisierung von ML-Modellen zu erstellen.
• Sammeln Sie Erfahrungen mit Multi-GPU und parallelem Maschinentraining mit TensorFlow.
• Erweitern Sie die ML-Fähigkeiten mit den verwalteten Diensten von Azure.
• Vertrautheit mit maschinellem Lernen und Cloud-Computing-Konzepten.
• Grundlegendes Verständnis von Containern (Docker) und Orchestrierung (Kubernetes).
• Kenntnisse der Befehlszeilenschnittstellen.
• Python-Programmiererfahrung ist von Vorteil, aber nicht zwingend erforderlich.
*Wir passen den Kursaufbau und die Inhalte an Ihre spezifischen Anforderungen und relevanten Anwendungsfälle an.
1. Einführung:
• Vergleich: Kubeflow auf Azure, On-Premise und anderen öffentlichen Clouds
• Architektonischer Überblick über Kubeflow
2. Die Bühne bereiten:
• Aktivieren eines Azure-Kontos
• Starten von GPU-fähigen virtuellen Maschinen
• Benutzerrollen und Berechtigungen: Eine Einführung
3. Aufbau der Umgebung:
• Vorbereiten der Build-Umgebung
• Einführung in TensorFlow-Modelle und -Datensätze
• Code verpacken: Dockerisierung
4. Bereitstellungsinfrastruktur:
• Einführung in den Azure Kubernetes Service (AKS)
• Initialisierung von Kubernetes-Clustern mit AKS
5. Datenverwaltung:
• Daten-Staging: Training und Validierung
• Konfigurieren von Kubeflow-Pipelines
6. Training und Überwachung:
• Starten eines Trainingsjobs
• Echtzeit-Überwachung von Trainingsaufträgen
7. Nach der Bereitstellung:
• Aufräumen von Ressourcen
• Tipps zur Fehlerbehebung
8. Zusammenfassung und Schlussfolgerung:
• Wichtige Erkenntnisse
• Nächste Schritte bei der Nutzung von Azure für ML-Workloads
Praxisnahes Lernen mit erfahrenen Trainern an Ihrem Standort für Organisationen.
Neue Fähigkeiten erlernen, angeleitet von erfahrenen Trainern von überall.
