Jobs as Code – Jenkins Pipeline Jobs

Nach Configuration as Code jetzt auch CI as Code: Seit Jenkins 2 können Jobs in einer eigenen Sprache geschrieben werden. Es entfällt das Zusammenklicken eines Jobs über die Weboberfläche. Die Beschreibung des Jobs wird in einem Git-Repository abgelegt und dort von Jenkins abgerufen. Somit sind neben dem Code und der Datei für das Build-Tool der Wahl auch die Informationen für den Continuous Integration Server zentral verwaltet.

Der Vortrag führt in die neue Möglichkeit zur Definition von Jenkins Jobs ein:

* Was sind die Unterschiede zwischen Scripted und Declarative Pipeline Jobs
* Struktur eines Jobs: Stages, Steps
* Bedingte Ausführung
* Erstellung von eigenen Steps

Vorkenntnisse

* Die Besucher sollten mit den Prinzipien eines Build-Servers vertraut sein.
* Das Wissen von Build-Tools wie Maven oder Gradle hilft.

Lernziele

* Ziel ist es, dem Entwickler Informationen zur Erstellung von Jobs mit der Jenkins DSL zu geben.

 

Agenda

ab 8.30 Uhr Registrierung und Begrüßungskaffee

9.30 Uhr Beginn

Intro

Machine Learning

  • Was ist Machine Learning?
  • Der typische ML Workflow
  • Was sind neuronale Netze?
  • Jupyter Lab mit Python
  • Eine Einführung in TensorFlow
  • Keras als High-Level API für TensorFlow

Praxisteil: Deep Learning Modelle mit Keras

  • Datengeneratoren
  • Datasets explorativ analysieren
  • Hold-Out vs. Cross Validation

11.00 - 11.15 Uhr: Kaffeepause

Praxisteil: Deep Learning Modelle mit Keras

  • Feed-Forward Netzarchitektur
  • Convolutional Neural Networks als Deep Learning Ansatz
  • Evaluation und Visualisierung des Modells

12.30 - 13.30 Uhr: Mittagspause

Pipelines mit Luigi

  • Anforderungen an produktive Modelle
  • Übersicht über Luigi und dessen Module
  • Bau eines Beispiel-Workflows

Praxisteil: Den Keras-Workflow mit Luigi implementieren

  • Anforderungen an produktive Modelle
  • Übersicht über Luigi und dessen Module
  • Bau eines Beispiel-Workflows

15.30 - 15.45 Uhr: Kaffeepause

Praxisteil: TensorFlow-Serving

  • Übersicht über TensorFlow-Serving
  • Ladestrategien konfigurieren
  • Deployment des Modells

ca. 17.00 Uhr: Ende

 

Referent

 

Sebastian Hempel Sebastian Hempel ist selbständiger IT-Consultant und Trainer aus dem Fichtelgebirge. Seit 2003 unterstützt er Kunden bei der Entwicklung und dem Betrieb von Enterprise-Anwendungen. Seine Schwerpunkte liegen bei Java EE auf Linux-Systemen. In Projekten übernimmt er gerne die Konzeption und den Aufbau der Entwicklungs- und Build-Umgebung. Neben seiner Tätigkeit als Softwareentwickler hält er Trainings im Bereich Java, Java EE und Puppet.

Platin-Sponsor

Gold-Sponsor

Silber-Sponsoren


CLC-Newsletter

Sie möchten über die Continuous Lifecycle
auf dem Laufenden gehalten werden?

 

Anmelden