
Les cours de formation Kubeflow direct locaux, dirigés Kubeflow instructeur, montrent, grâce à une pratique interactive, comment utiliser Kubeflow pour créer, déployer et gérer des workflows d'apprentissage automatique sur Kubernetes . Kubeflow formation Kubeflow est disponible en tant que «formation en direct sur site» ou «formation en direct à distance». La formation en direct sur site peut être effectuée localement chez le client France ou dans les centres de formation d'entreprise NobleProg France . La formation en direct à distance est effectuée au moyen d'un bureau à distance interactif. NobleProg - Votre fournisseur de formation local
Machine Translated
Nos Clients témoignent
Ajustement à nos besoins
Sumitomo Mitsui Finance and Leasing Company, Limited
Formation: Kubeflow
Machine Translated
Plans de cours Kubeflow
-
Installation et configuration Kubeflow sur prémise et dans le cloud en utilisant AWS EKS (Elastic Kubernetes Service).
Construire, déployer et gérer les flux de travail ML basés sur Docker conteneurs et Kubernetes.
Exécutez des pipelines d'apprentissage en machine entièrement sur diverses architectures et environnements en nuage.
Utiliser Kubeflow pour spawner et gérer les notebooks Jupyter.
Construisez la formation ML, le tuning hyperparamétrique et le service des charges de travail sur plusieurs plateformes.
-
Lecture et discussion interactives.
Beaucoup d’exercices et de pratiques.
La mise en œuvre dans un environnement de laboratoire en direct.
-
Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.
-
Installer et configurer Kubernetes, Kubeflow et autres logiciels nécessaires sur AWS.
Utilisez EKS (Elastic Kubernetes Service) pour simplifier le travail d’initialiser un Kubernetes cluster sur AWS.
Créer et déployer un Kubernetes pipeline pour l'automatisation et la gestion des modèles ML en production.
Trainer et déployer les modèles ML TensorFlow sur plusieurs GPUs et les machines qui fonctionnent en parallèle.
Leverage d'autres services gérés par AWS pour étendre une application ML.
-
Lecture et discussion interactives.
Beaucoup d’exercices et de pratiques.
La mise en œuvre dans un environnement de laboratoire en direct.
-
Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.
-
Installer et configurer Kubernetes, Kubeflow et autres logiciels nécessaires sur Azure.
Utilisez Azure Kubernetes Service (AKS) pour simplifier le travail d'initialiser un Kubernetes cluster sur Azure.
Créer et déployer un Kubernetes pipeline pour l'automatisation et la gestion des modèles ML en production.
Trainer et déployer TensorFlow les modèles ML à travers plusieurs GPUs et les machines qui fonctionnent en parallèle.
Leverage d'autres services gérés par AWS pour étendre une application ML.
-
Lecture et discussion interactives.
Beaucoup d’exercices et de pratiques.
La mise en œuvre dans un environnement de laboratoire en direct.
-
Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.
-
Installer et configurer Kubernetes, Kubeflow et autres logiciels nécessaires sur GCP et GKE.
Utilisez GKE (Kubernetes Kubernetes Moteur) pour simplifier le travail d'initialiser un Kubernetes cluster sur GCP.
Créer et déployer un Kubernetes pipeline pour l'automatisation et la gestion des modèles ML en production.
Trainer et déployer TensorFlow les modèles ML sur plusieurs GPUs et les machines qui fonctionnent en parallèle.
Fournir d'autres services GCP pour étendre une application ML.
-
Lecture et discussion interactives.
Beaucoup d’exercices et de pratiques.
La mise en œuvre dans un environnement de laboratoire en direct.
-
Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.
-
Installation et configuration Kubernetes, Kubeflow et autres logiciels nécessaires sur IBM Cloud Kubernetes Service (IKS).
Utilisez IKS pour simplifier le travail d’initialiser un Kubernetes cluster sur IBM Cloud.
Créer et déployer un Kubernetes pipeline pour l'automatisation et la gestion des modèles ML en production.
Trainer et déployer les modèles ML TensorFlow sur plusieurs GPUs et les machines qui fonctionnent en parallèle.
Leverage d'autres services IBM Cloud pour étendre une application ML.
-
Lecture et discussion interactives.
Beaucoup d’exercices et de pratiques.
La mise en œuvre dans un environnement de laboratoire en direct.
-
Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.
-
À la fin de cette formation, les participants seront en mesure de :
Il s’agit d’un Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’une Kubeflow et d’
Utilisez OpenShift pour simplifier le travail d’initialiser un Kubernetes cluster.
Créer et déployer un Kubernetes pipeline pour l'automatisation et la gestion des modèles ML en production.
Trainer et déployer TensorFlow les modèles ML sur plusieurs GPUs et les machines qui fonctionnent en parallèle.
Appelez les services public en nuage (par exemple, les services AWS) de l'intérieur OpenShift pour étendre une application ML.
-
Lecture et discussion interactives.
Beaucoup d’exercices et de pratiques.
La mise en œuvre dans un environnement de laboratoire en direct.
-
Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.
-
Installation et configuration Kubeflow sur la prévision et dans le nuage.
Construire, déployer et gérer les flux de travail ML basés sur Docker conteneurs et Kubernetes.
Exécutez des pipelines d'apprentissage en machine entièrement sur diverses architectures et environnements en nuage.
Utiliser Kubeflow pour spawner et gérer les notebooks Jupyter.
Construisez la formation ML, le tuning hyperparamétrique et le service des charges de travail sur plusieurs plateformes.
-
Lecture et discussion interactives.
Beaucoup d’exercices et de pratiques.
La mise en œuvre dans un environnement de laboratoire en direct.
-
Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser.
Pour en savoir plus Kubeflow, veuillez visiter : https://github.com/kubeflow/kubeflow
Dernière mise à jour :