Kubeflow：云计算和机器学习的桥梁

14.3 智能云中的AIaaS（AI 服务）

14.2 基于Kubeflow 的AI Hub 新模式

14.1 Kubeflow 1.0 的功能和计划

第14章 Kubeflow 前景展望和AI Hub

13.2 基于Kubeflow 的Seq2Seq 机器学习案例

13.1 在云平台上进行机器学习

第13章 Kubeflow 的应用实战

第3篇 Kubeflow 的应用和展望

12.3 Kubeflow Jupyter Notebook 的组件及其使用方法

12.2 Jupyter Notebook 的架构及其运行原理

12.1 Jupyter Notebook 简述

第12章 Kubeflow 中的Jupyter Notebook Hub

11.4 Kubebench 的实践

11.3 Kubebench 的架构

11.2 Kubebench 的安装方法

11.1 先从Benchmark 说起

第11章 Kubebench 机器学习哪家强

10.4 Kubeflow Metadata 实战

10.3 Metadata 支持的元数据和数据表

10.2 Kubeflow Metadata 的架构与设计

10.1 Kubeflow Metadata 简述

第10章 Kubeflow Metadata

9.5 Kubeflow Fairing 的应用实例

9.4 Kubeflow Fairing 的源码分析

9.3 Kubeflow Fairing 的架构分析

9.2 Kubeflow Fairing 的安装方法

9.1 Kubeflow Fairing 是什么

第9章 Kubeflow Fairing 带机器学习“飞”

8.6 KFServing 的应用实例

8.5 KFServing Python SDK

8.4 KFServing 的架构分析

8.3 Knative 简介

8.2 Istio 简介

8.1 KFServing 是什么

第8章 KFServing 解决机器学习“最后一公里”的问题

7.6 使用Katib 进行一次超参调优

7.5 Katib 的业务流程

7.4 Katib 的架构

7.3 Katib 的安装方法

7.2 什么是Katib

7.1 机器学习中的超参调优

第7章 Kubeflow Katib 超参调优

6.4 其他Operator

6.3 PyTorch Operator

6.2 TensorFlow Operator

6.1 Kubernetes CRD 简述

第6章 Kubeflow Operator 自定义资源

5.6 Kubeflow Pipelines 的实际应用

5.5 动手构建自己的Pipelines

5.4 Pipelines SDK

5.3 Kubeflow Pipelines 的架构

5.2 Kubeflow Pipelines 的基本概念

5.1 Kubeflow Pipelines 是什么

第5章 Kubeflow Pipelines 流水线式机器学习

4.4 Kubeflow 对IBM POWER 平台的支持

4.3 Kubeflow 端到端的用户案例

4.2 Kubeflow 的用户故事

4.1 Kubeflow 的安装与部署

第4章 Kubeflow 的部署与应用

3.3 Kubeflow 的核心组件

3.2 Kubeflow 的发展

3.1 Kubeflow 是什么

第3章 Kubeflow 概述

第2篇 Kubeflow：连接云计算和机器学习的“桥梁”

2.4 机器学习的“Hello World”

2.3 机器学习的主流框架

2.2 机器学习在生活中的应用

2.1 人工智能的第三次“冲击波”

第2章 机器学习

1.3 Kubernetes——云计算的新标杆

1.2 虚拟化使云计算轻松落地

1.1 云计算

第1章 云计算和Kubernetes

第1篇 IT 两大“高速列车”：云计算和机器学习

前言

内容简介

作者简介

版权信息

封面

封面

版权信息

作者简介

内容简介

前言

第1篇 IT 两大“高速列车”：云计算和机器学习

第1章 云计算和Kubernetes

1.1 云计算

1.2 虚拟化使云计算轻松落地

1.3 Kubernetes——云计算的新标杆

第2章 机器学习

2.1 人工智能的第三次“冲击波”

2.2 机器学习在生活中的应用

2.3 机器学习的主流框架

2.4 机器学习的“Hello World”

第2篇 Kubeflow：连接云计算和机器学习的“桥梁”

第3章 Kubeflow 概述

3.1 Kubeflow 是什么

3.2 Kubeflow 的发展

3.3 Kubeflow 的核心组件

第4章 Kubeflow 的部署与应用

4.1 Kubeflow 的安装与部署

4.2 Kubeflow 的用户故事

4.3 Kubeflow 端到端的用户案例

4.4 Kubeflow 对IBM POWER 平台的支持

第5章 Kubeflow Pipelines 流水线式机器学习

5.1 Kubeflow Pipelines 是什么

5.2 Kubeflow Pipelines 的基本概念

5.3 Kubeflow Pipelines 的架构

5.4 Pipelines SDK

5.5 动手构建自己的Pipelines

5.6 Kubeflow Pipelines 的实际应用

第6章 Kubeflow Operator 自定义资源

6.1 Kubernetes CRD 简述

6.2 TensorFlow Operator

6.3 PyTorch Operator

6.4 其他Operator

第7章 Kubeflow Katib 超参调优

7.1 机器学习中的超参调优

7.2 什么是Katib

7.3 Katib 的安装方法

7.4 Katib 的架构

7.5 Katib 的业务流程

7.6 使用Katib 进行一次超参调优

第8章 KFServing 解决机器学习“最后一公里”的问题

8.1 KFServing 是什么

8.2 Istio 简介

8.3 Knative 简介

8.4 KFServing 的架构分析

8.5 KFServing Python SDK

8.6 KFServing 的应用实例

第9章 Kubeflow Fairing 带机器学习“飞”

9.1 Kubeflow Fairing 是什么

9.2 Kubeflow Fairing 的安装方法

9.3 Kubeflow Fairing 的架构分析

9.4 Kubeflow Fairing 的源码分析

9.5 Kubeflow Fairing 的应用实例

第10章 Kubeflow Metadata

10.1 Kubeflow Metadata 简述

10.2 Kubeflow Metadata 的架构与设计

10.3 Metadata 支持的元数据和数据表

10.4 Kubeflow Metadata 实战

第11章 Kubebench 机器学习哪家强

11.1 先从Benchmark 说起

11.2 Kubebench 的安装方法

11.3 Kubebench 的架构

11.4 Kubebench 的实践

第12章 Kubeflow 中的Jupyter Notebook Hub

12.1 Jupyter Notebook 简述

12.2 Jupyter Notebook 的架构及其运行原理

12.3 Kubeflow Jupyter Notebook 的组件及其使用方法

第3篇 Kubeflow 的应用和展望

第13章 Kubeflow 的应用实战

13.1 在云平台上进行机器学习

13.2 基于Kubeflow 的Seq2Seq 机器学习案例

第14章 Kubeflow 前景展望和AI Hub

14.1 Kubeflow 1.0 的功能和计划

14.2 基于Kubeflow 的AI Hub 新模式

14.3 智能云中的AIaaS（AI 服务）