Charges de travail d'apprentissage automatique Microsoft SQL Server sur Red Hat Enterprise Linux et Red Hat OpenShift

Aperçu

Accélérez les pipelines de machine learning en utilisant SQL Server sur Red Hat Enterprise Linux et OpenShift. Apprenez les techniques de ML en base de données et la containerisation pour une production et un déploiement efficaces des modèles.

Programme

• Introduction à Microsoft SQL Server sur Red Hat
Aperçu des capacités de SQL Server
Introduction à Red Hat Enterprise Linux et OpenShift
Compréhension des charges de travail de l'apprentissage automatique dans SQL Server
• Configuration de SQL Server sur Red Hat Enterprise Linux
Installation et configuration de SQL Server sur RHEL
Commandes essentielles de RHEL pour la gestion de SQL Server
Amélioration des performances et optimisation sur RHEL
• Apprentissage automatique en base de données avec SQL Server
Vue d'ensemble des services d'apprentissage automatique de SQL Server
Mise en œuvre de scripts R et Python dans SQL Server
Préparation et transformation des données à l'aide de SQL Server
• Création et optimisation des pipelines ML
Conception de flux de travail d'apprentissage automatique efficaces
Entraînement et évaluation des modèles au sein de SQL Server
Utilisation de SQL Server pour l'ingestion et le traitement des données
• Conteneurisation de SQL Server pour l'apprentissage automatique
Introduction aux conteneurs et à l'orchestration de conteneurs
Déploiement de SQL Server sur OpenShift
Meilleures pratiques pour les charges de travail d'apprentissage automatique conteneurisées
• Déploiement de modèles d'apprentissage automatique sur OpenShift
Intégration et déploiement continus pour les modèles ML
Création et gestion des déploiements OpenShift pour les solutions ML
Surveillance et mise à l'échelle des applications ML sur OpenShift
• Sécurité et maintenance
Mise en œuvre des meilleures pratiques de sécurité pour SQL Server et OpenShift
Tâches de maintenance régulières pour les bases de données et conteneurs
Stratégies de sauvegarde et de récupération pour SQL Server sur Linux
• Études de cas et applications réelles
Exploration de scénarios réels utilisant des charges de travail ML de SQL Server
Histoires de succès et applications industrielles
Leçons apprises et tendances futures dans SQL Server ML sur RHEL
• Projet final
Concevoir, implémenter et déployer un pipeline ML complet utilisant SQL Server sur RHEL et OpenShift
Présentation et révision par les pairs des projets finaux

Sujets

Conférences