Eine der häufigsten Hürden bei der Entwicklung von Modellen für Data Science/maschinelles Lernen ist die Entwicklung von End-to-End-Pipelines, die skalierbar und in Echtzeit arbeiten können. Von Data Scientists und Data Engineers wird häufig erwartet, dass sie die Infrastruktur für ihre Experimente erlernen, entwickeln und warten.
Hier einige Dinge, die Sie lernen werden:
-
Kubeflow-Architektur und -Installation
-
Erstellung eines End-to-End-Experiments für maschinelles Lernen in der Kubeflow-Pipeline
-
Aktuelle Anwendungsfälle von Kubeflow und wie Teams aus anderen Branchen die Cloud nutzen, um ihre Abläufe im Bereich maschinelles Lernen zu skalieren