В этом документе
- Обзор ML Space
- Быстрый старт
- Инструкции
- Профиль пользователя ML Space
- Работа с данными
- Создать пользовательский бакет
- Использовать OBS Advanced в ML Space
- Credentials S3 и путь до файла на S3
- Создать коннектор
- Создать коннектор из ML Space к базе данных SQL на примере сервиса Advanced
- Операции над коннекторами
- Правила переноса данных
- Загрузить данные в хранилище S3
- Загрузить файлы с помощью Boto3
- Переместить данные между S3 и NFS
- Расширить дисковое пространство NFS
- Работа с архивами
- Работа с Docker образами
- Работа с объектами Artifact Registry
- Работа в Jupyter Server
- Создать Jupyter Server на основе базового образа или образа DataHub
- Создать новый Jupyter Server на основе пользовательского образа
- Создать новый Jupyter Server с доступом к кластеру Spark
- Запустить задачу на кластере Spark
- Подключиться к существующему Jupyter Server
- Перевод Jupyter Server из одного региона в другой
- Остановить или удалить Jupyter Server
- Работать из терминала Jupyter/JupyterLab
- Действия с библиотеками в образах Jupyter Server
- Использовать Jupyter Server со Spark
- Подключиться по SSH к Jupyter Server
- Создать Jupyter Server с нужной версией Python
- Удалить виртуальное окружение
- Удаленная отладка в Pycharm по SSH
- Удаленная отладка в Visual Studio Code по SSH
- Обучение моделей
- Препроцессинг данных
- Установить библиотеки из склонированного Git-репозитория
- Запустить процесс обучения
- Обучить модель с использованием Pytorch Elastic Learning
- Обучить модель с использованием библиотеки Horovod
- Сохранить промежуточные результаты обучения (checkpoints)
- Провести эксперимент
- Подключиться по SSH к исполняемой задаче обучения из терминала
- Обратная связь по задаче обучения
- Мониторинг
- Использовать GitLab CI при работе с Environments
- Развертывание и эксплуатация моделей
- Загрузить файлы на S3-хранилище и собрать образ для деплоя
- Создать образ для деплоя
- Развернуть модель (создать деплой)
- Использование обученной модели в рамках сервиса Deployments
- Скрипты для прогнозирования на основе обученных моделей
- Валидация serving-скрипта
- Отправить синхронный HTTP-запрос к развернутой модели
- Отправить асинхронный HTTP-запрос к развернутой модели
- Пайплайны
- Data Catalog
- Environments
- Deployments
- Пайплайны
- AI Marketplace
- Функция client_lib
- Справочник API
- Обучающие материалы
- Вопросы и ответы
- Тарификация
- Термины и сокращения
- Лицензии для компонентов Open Source
- Обратиться в поддержку