Detaillierter Kursinhalt
Einführung in Red Hat OpenShift AI
Die wichtigsten Funktionen von Red Hat OpenShift AI identifizieren und die Architektur und Komponenten von Red Hat AI beschreiben
Data Science-Projekte
Code und Konfiguration mithilfe von Data Science-Projekten, Workbenches und Datenverbindungen organisieren
Jupyter Notebooks
Jupyter Notebooks zum interaktiven Ausführen und Testen von Code verwenden
Installieren von Red Hat OpenShift AI
Red Hat OpenShift AI mit der Webkonsole und CLI installieren und Komponenten von Red Hat OpenShift AI verwalten
Verwalten von Nutzenden und Ressourcen
Nutzende von Red Hat OpenShift AI sowie die Ressourcenzuweisung für Workbenches verwalten
Benutzerdefinierte Notebook Images
Benutzerdefinierte Notebook Images erstellen und benutzerdefinierte Notebooks über das Dashboard von Red Hat OpenShift AI importieren
Einführung in Machine Learning
Grundlegende ML-Konzepte, verschiedene Arten von Machine Learning sowie ML-Workflows beschreiben
Trainieren von Modellen
Modelle mit standardmässigen und benutzerdefinierten Workbenches trainieren
Verbessertes Modelltraining mit RHOAI
Mit RHOAI Best Practices in Machine Learning und Data Science anwenden
Einführung in die Modellbereitstellung
Konzepte und Komponenten beschreiben, die zum Exportieren, Freigeben und Bereitstellen von trainierten ML-Modellen erforderlich sind
Modellbereitstellung in Red Hat OpenShift AI
Trainierte ML-Modelle mit OpenShift AI bereitstellen
Benutzerdefinierte Modellserver
ML-Modelle mit benutzerdefinierten Modellbereitstellungs-Runtimes einsetzen und bereitstellen
Einführung in Data Science-Pipelines
Data Science-Pipelines erstellen, ausführen und verwalten sowie Probleme beheben
Elyra-Pipelines
Data Science-Pipelines mit Elyra erstellen
KubeFlow-Pipelines
Data Science-Pipelines mit dem KubeFlow-SDK erstellen