Developing and Deploying AI/ML Applications on Red Hat OpenShift AI (AI267) – Details

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