Kubeflow - Eine Cloud-native ML-Toolbox
Eine der häufigsten Hürden bei der Entwicklung von Data-Science-/Machine-Learning-Modellen ist der Entwurf von End-to-End-Pipelines, die in großem Umfang und in Echtzeit arbeiten können. Von Datenwissenschaftlern und Ingenieuren wird oft erwartet, dass sie die Infrastruktur für ihre Experimente erlernen, entwickeln und pflegen.
In dieser Übung wird Salman die Vorzüge von Kubeflow erörtern, einer Open-Source-Plattform auf Kubernetes-Basis, die entwickelt wurde, um nicht mit Machine Learning zusammenhängende Aufgaben zu abstrahieren und Ihnen dennoch die Kontrolle zu geben.
Sie werden unter anderem Folgendes lernen:
- Kubeflow-Architektur und -Installation
- Erstellen einer End-to-End-Orchestrierung von Machine-Learning-Experimenten in der Kubeflow-Pipeline
- Aktuelle Anwendungsfälle von Kubeflow und wie Teams aus anderen Branchen die Cloud zur Skalierung ihrer Machine-Learning-Operationen nutzen.