Uno de los obstáculos más comunes a la hora de desarrollar modelos de ciencia de datos/aprendizaje automático es diseñar procesos integrales que puedan funcionar a escala y en tiempo real. A menudo se espera que los científicos e ingenieros de datos aprendan, desarrollen y mantengan la infraestructura para sus experimentos.
Algunas cosas que aprenderá:
-
Arquitectura e instalación de Kubeflow
-
Creación de un experimento de aprendizaje automático de orquestación integral en el proceso de Kubeflow
-
Casos de uso actuales de Kubeflow y cómo equipos de otros sectores han estado utilizando la nube para ampliar sus operaciones de aprendizaje automático