Desarrollo e implementación de modelos de aprendizaje profundo en contenedor mediante la plataforma Kubernetes basada en Google Cloud Computing (GPC)

La tecnología en la nube, se ha convertido en uno de los enfoques más atractivos para empresas y desarrolladores de software a fin de diseñar, construir y desplegar aplicaciones o servicios en la nube. El principal objetivo de los servicios en la nube es proveer a los usuarios herramientas en ambien...

Full description

Autores:
Moncaleano Chico, Andres Camilo
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2022
Institución:
Universidad de Ibagué
Repositorio:
Repositorio Universidad de Ibagué
Idioma:
spa
OAI Identifier:
oai:repositorio.unibague.edu.co:20.500.12313/4867
Acceso en línea:
https://hdl.handle.net/20.500.12313/4867
Palabra clave:
Plataforma Kubernetes - Modelos de aprendizaje
Google Cloud Computing (GPC)
Computación en la nube
Contenedores
Despliegue
Kubernetes
Tensor flow
Kubernetes
Cloud computing
Containers
Deployment
TensorFlow
Rights
openAccess
License
http://purl.org/coar/access_right/c_abf2
id UNIBAGUE2_6d0d982b4aff0ecac9e44694a9b531b7
oai_identifier_str oai:repositorio.unibague.edu.co:20.500.12313/4867
network_acronym_str UNIBAGUE2
network_name_str Repositorio Universidad de Ibagué
repository_id_str
dc.title.spa.fl_str_mv Desarrollo e implementación de modelos de aprendizaje profundo en contenedor mediante la plataforma Kubernetes basada en Google Cloud Computing (GPC)
title Desarrollo e implementación de modelos de aprendizaje profundo en contenedor mediante la plataforma Kubernetes basada en Google Cloud Computing (GPC)
spellingShingle Desarrollo e implementación de modelos de aprendizaje profundo en contenedor mediante la plataforma Kubernetes basada en Google Cloud Computing (GPC)
Plataforma Kubernetes - Modelos de aprendizaje
Google Cloud Computing (GPC)
Computación en la nube
Contenedores
Despliegue
Kubernetes
Tensor flow
Kubernetes
Cloud computing
Containers
Deployment
TensorFlow
title_short Desarrollo e implementación de modelos de aprendizaje profundo en contenedor mediante la plataforma Kubernetes basada en Google Cloud Computing (GPC)
title_full Desarrollo e implementación de modelos de aprendizaje profundo en contenedor mediante la plataforma Kubernetes basada en Google Cloud Computing (GPC)
title_fullStr Desarrollo e implementación de modelos de aprendizaje profundo en contenedor mediante la plataforma Kubernetes basada en Google Cloud Computing (GPC)
title_full_unstemmed Desarrollo e implementación de modelos de aprendizaje profundo en contenedor mediante la plataforma Kubernetes basada en Google Cloud Computing (GPC)
title_sort Desarrollo e implementación de modelos de aprendizaje profundo en contenedor mediante la plataforma Kubernetes basada en Google Cloud Computing (GPC)
dc.creator.fl_str_mv Moncaleano Chico, Andres Camilo
dc.contributor.advisor.none.fl_str_mv Fernández Gallego, Jose Armando
dc.contributor.author.none.fl_str_mv Moncaleano Chico, Andres Camilo
dc.subject.armarc.none.fl_str_mv Plataforma Kubernetes - Modelos de aprendizaje
Google Cloud Computing (GPC)
topic Plataforma Kubernetes - Modelos de aprendizaje
Google Cloud Computing (GPC)
Computación en la nube
Contenedores
Despliegue
Kubernetes
Tensor flow
Kubernetes
Cloud computing
Containers
Deployment
TensorFlow
dc.subject.proposal.spa.fl_str_mv Computación en la nube
Contenedores
Despliegue
Kubernetes
Tensor flow
Kubernetes
dc.subject.proposal.eng.fl_str_mv Cloud computing
Containers
Deployment
TensorFlow
description La tecnología en la nube, se ha convertido en uno de los enfoques más atractivos para empresas y desarrolladores de software a fin de diseñar, construir y desplegar aplicaciones o servicios en la nube. El principal objetivo de los servicios en la nube es proveer a los usuarios herramientas en ambientes virtuales que logren el desarrollo y la depuración de aplicaciones o software sin tener la necesidad de poseer hardware de alta gama, obteniendo ventajas en la optimización y reducción de costos de ensamblaje y mantenimiento. Este trabajo explora el uso de recursos de Google Cloud Computing (GCP) como servicio de desarrollo computacional en la nube para el desarrollo y despliegue de aplicaciones en contenedor usando Kubernetes. Para ello se ha utilizado un modelo de aprendizaje profundo con librerías del framework Tensor Flow. La aplicación utilizada en este trabajo se ejecutó mediante la plataforma Docker y se desplegó en la nube mediante el servicio de Kubernetes. Docker es una plataforma de desarrollo que basa sus servicios en entornos virtuales. Los contenedores funcionan como ambientes virtuales, que proporcionan a la aplicación librerías y dependencias para su correcto funcionamiento. Los contenedores se virtualizan a nivel de sistema operativo y no a nivel de hardware como las máquinas virtuales. Kubernetes es la plataforma que se encarga de orquestar contenedores y mantenerlos en línea, funciona mediante la nube como otro medio de virtualización que permite a los usuarios desplegar aplicaciones sin necesidad de comprar servidores o de mantener el computador host que despliega la aplicación encendida las 24 horas del día. Además, a diferencia de una máquina host, funciona mediante la nube y su principal labor es priorizar el funcionamiento y el despliegue de los contenedores. Una máquina host se puede alquilar cerca del mismo precio, Sin embargo, no va a priorizar el orquestamiento de contenedores. La validación de este trabajo se hizo mediante mediciones de tiempo de procesamiento en el contenedor y en máquinas locales demostrando la eficiencia del desarrollo de software en la nube y la facilidad del despliegue en la web. Se espera que en futuras investigaciones se usen APIs de GCP tales como máquinas virtuales, Buckets para almacenamiento y Vertex AI para el desarrollo y construcción de modelos de aprendizaje óptimos.
publishDate 2022
dc.date.issued.none.fl_str_mv 2022
dc.date.accessioned.none.fl_str_mv 2025-03-19T19:37:05Z
dc.date.available.none.fl_str_mv 2025-03-19T19:37:05Z
dc.type.none.fl_str_mv Trabajo de grado - Pregrado
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.content.none.fl_str_mv Text
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.redcol.none.fl_str_mv http://purl.org/redcol/resource_type/TP
dc.type.version.none.fl_str_mv info:eu-repo/semantics/acceptedVersion
format http://purl.org/coar/resource_type/c_7a1f
status_str acceptedVersion
dc.identifier.citation.none.fl_str_mv Moncaleano Chico, A. C. (2022). Desarrollo e implementación de modelos de aprendizaje profundo en contenedor mediante la plataforma Kubernetes basada en Google Cloud Computing (GPC). [Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4867
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12313/4867
identifier_str_mv Moncaleano Chico, A. C. (2022). Desarrollo e implementación de modelos de aprendizaje profundo en contenedor mediante la plataforma Kubernetes basada en Google Cloud Computing (GPC). [Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4867
url https://hdl.handle.net/20.500.12313/4867
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.references.none.fl_str_mv Bisong, E. (2019). Building Machine Learning and Deep Learning Models on Google Cloud Platform. Apress. https://doi.org/10.1007/978-1-4842-4470-8C. (2015).
A. Dearle, "Software Deployment, Past, Present and Future," Future of Software Engineering (FOSE '07), 2007, pp. 269-284, doi: 10.1109/FOSE.2007.20.
A. Carzaniga, A. Fuggetta, R. S. Hall, D. Heimbigner, A. v. d. Hoek, and A. L. Wolf, “A Characterization Framework for Software Deployment Technologies”, Technical Report Department of Computer Science, University of Colorado, Boulder, Colorado, April 1998
Rusk, N. (2016). Deep learning. Nature Methods. Vol; 13. N°1; p. 35–35. doi:10.1038/nmeth.3707
Khandhar, N., Shah, S. (2019). Docker - The Future of Virtualization. International Journal of Research and Analytical Reviews (IJRAR). Vol; 6.
Anchuelo, J. “Diseño e implementación de sistema de monitorización de máquinas virtuales”. (16 enero de 2021) disponible en: (https://ebuah.uah.es/xmlui/bitstream/handle/10017/47087/TFG_Anchuelo_Rivillo_2021.p df?sequence=1&isAllowed=y).
Bahillo, Luis, “Historia de Internet: cómo nació y cuál fue su evolución“”. {En línea}. {18 mayo de 2021} disponible en: (https://marketing4ecommerce.net/historia-de-internet/l).
Pulido, Raul, “Kubernetes: Historia”. {En línea}. {13 abril de 2020} disponible en: (https://www.maquinasvirtuales.eu/kubernetes-historia/).
Hernandez, Nelly. “Computación En La Nube”. En: Revista mundo FESC. Edición N°8. (Diciembre 2014); p. 46-51.
"Cloud Computing Services | Google Cloud", Google Cloud, 2021. [Online]. Disponible en: https://cloud.google.com/.
Cito, J., Schermann, G., Wittern, J. E., Leitner, P., Zumberi, S., & Gall, H. C. (2017). An Empirical Analysis of the Docker Container Ecosystem on GitHub. 2017 IEEE/ACM 14th International Conference on Mining Software Repositories (MSR). doi:10.1109/msr.2017.67
Spoiala, C. C., Calinciuc, A., Turcu, C. O., & Filote, C. (2016). Performance comparison of a WebRTC server on Docker versus virtual machine. 2016 International Conference on Development and Application Systems (DAS). doi:10.1109/daas.2016.7492590
Bernstein, D. (2014). Containers and Cloud: From LXC to Docker to Kubernetes. IEEE Cloud Computing, 1(3), 81–84. doi:10.1109/mcc.2014.51
Medel, V., Rana, O., Bañares, J. ángel, Arronategui, U. (2016). Modelling performance & resource management in kubernetes. Proceedings of the 9th International Conference on Utility and Cloud Computing - UCC ’16. doi:10.1145/2996890.3007869
Barol, A. (2002). Evolución de la tecnología de acceso a internet. [Online]. Disponible en: https://www.tdx.cat/bitstream/handle/10803/9156/Tavb06de23.pdf?
TensorFlow: A System for Large-Scale Machine Learning. Martin Abadi, 2016.
Pang, B., Nijkamp, E., & Wu, Y. N. (2019). Deep Learning with TensorFlow: A Review. Journal of Educational and Behavioral Statistics, 45(2), 227–248. doi:10.3102/1076998619872761
L. Mora, Programación de aplicaciones Web: historia, principios básicos y clientes Web, Primera ed., San Vicente: Club Universitario, 2002.
A. Ramos Martín y M. J. Ramos Martín, Aplicaciones Web, Segunda ed., Madrid: Ediciones Paraninfo, S.A., 2014.
Molina Ríos, J.R., Zea Ordóñez, M.P., Contento Segarra, M.J. y García Zerda, F.G. (2018). Comparación de metodologías en aplicaciones web. 3C Tecnología: glosas de innovación aplicadas a la pyme, 7(1). 1-19. DOI: <http://dx.doi.org/10.17993/3ctecno.2018.v7n1e25.1-19/>.
dc.rights.accessrights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.none.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.license.none.fl_str_mv Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)
dc.rights.uri.none.fl_str_mv https://creativecommons.org/licenses/by-nc/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://purl.org/coar/access_right/c_abf2
Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)
https://creativecommons.org/licenses/by-nc/4.0/
dc.format.extent.none.fl_str_mv 73 páginas
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Ibagué
dc.publisher.faculty.none.fl_str_mv Ingeniería
dc.publisher.place.none.fl_str_mv Ibagué
dc.publisher.program.none.fl_str_mv Ingeniería Electrónica
publisher.none.fl_str_mv Universidad de Ibagué
institution Universidad de Ibagué
bitstream.url.fl_str_mv https://repositorio.unibague.edu.co/bitstreams/0c08a22b-a7a3-4fb4-abb1-bd74663181cb/download
https://repositorio.unibague.edu.co/bitstreams/92a9bab8-3764-4a13-a5be-d82791b4296e/download
https://repositorio.unibague.edu.co/bitstreams/a5c9a436-57a0-417e-bdb4-df84d8534b6c/download
https://repositorio.unibague.edu.co/bitstreams/e3e37e08-9f3d-41d5-8683-d2f19ac4ea96/download
https://repositorio.unibague.edu.co/bitstreams/f5a0fba8-3216-4216-bf02-c528ad93361f/download
https://repositorio.unibague.edu.co/bitstreams/5d3eca7a-0f30-4e25-a6e6-3e3d2779b10c/download
https://repositorio.unibague.edu.co/bitstreams/6896d773-0a69-4cef-8f6d-ed38a84df1b8/download
https://repositorio.unibague.edu.co/bitstreams/fd8d9a9a-6844-41b5-a854-9b3ee5b6ea1b/download
bitstream.checksum.fl_str_mv 286fa901de513c9e4ae328b097e00113
27a25b1ee00bf3524d4823817e55371e
31da8dd9bd3591401db1f8c0f1eec9dc
2fa3e590786b9c0f3ceba1b9656b7ac3
4add76466257b7f627b8e75455736111
1c0db27bdc36024521811332554b27c7
afef9b9e9a3e4b9217ad63a40615ed3b
faf78dc438f8fecdbd131217892a616d
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad de Ibagué
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1851059969112145920
spelling Fernández Gallego, Jose Armando13f15360-a12b-4149-9932-b46907b21333-1Moncaleano Chico, Andres Camilof477f63e-a414-4549-ba41-1d4559f4b0f9-12025-03-19T19:37:05Z2025-03-19T19:37:05Z2022La tecnología en la nube, se ha convertido en uno de los enfoques más atractivos para empresas y desarrolladores de software a fin de diseñar, construir y desplegar aplicaciones o servicios en la nube. El principal objetivo de los servicios en la nube es proveer a los usuarios herramientas en ambientes virtuales que logren el desarrollo y la depuración de aplicaciones o software sin tener la necesidad de poseer hardware de alta gama, obteniendo ventajas en la optimización y reducción de costos de ensamblaje y mantenimiento. Este trabajo explora el uso de recursos de Google Cloud Computing (GCP) como servicio de desarrollo computacional en la nube para el desarrollo y despliegue de aplicaciones en contenedor usando Kubernetes. Para ello se ha utilizado un modelo de aprendizaje profundo con librerías del framework Tensor Flow. La aplicación utilizada en este trabajo se ejecutó mediante la plataforma Docker y se desplegó en la nube mediante el servicio de Kubernetes. Docker es una plataforma de desarrollo que basa sus servicios en entornos virtuales. Los contenedores funcionan como ambientes virtuales, que proporcionan a la aplicación librerías y dependencias para su correcto funcionamiento. Los contenedores se virtualizan a nivel de sistema operativo y no a nivel de hardware como las máquinas virtuales. Kubernetes es la plataforma que se encarga de orquestar contenedores y mantenerlos en línea, funciona mediante la nube como otro medio de virtualización que permite a los usuarios desplegar aplicaciones sin necesidad de comprar servidores o de mantener el computador host que despliega la aplicación encendida las 24 horas del día. Además, a diferencia de una máquina host, funciona mediante la nube y su principal labor es priorizar el funcionamiento y el despliegue de los contenedores. Una máquina host se puede alquilar cerca del mismo precio, Sin embargo, no va a priorizar el orquestamiento de contenedores. La validación de este trabajo se hizo mediante mediciones de tiempo de procesamiento en el contenedor y en máquinas locales demostrando la eficiencia del desarrollo de software en la nube y la facilidad del despliegue en la web. Se espera que en futuras investigaciones se usen APIs de GCP tales como máquinas virtuales, Buckets para almacenamiento y Vertex AI para el desarrollo y construcción de modelos de aprendizaje óptimos.Cloud technology has become one of the most attractive approaches for companies and software developers to design, build and deploy applications or services in the cloud. The main objective of cloud services is to provide users with tools in virtual environments that achieve the development and debugging of applications or software without the need to own high-end hardware, obtaining advantages in the optimization and reduction of assembly and maintenance costs. This work explores the use of Google Cloud Computing (GCP) resources as a computational development service in the cloud for the development and deployment of containerized applications using Kubernetes. For this purpose, a deep learning model has been used with libraries from the Tensor Flow framework. The application used in this work was run using the Docker platform and deployed in the cloud using the Kubernetes service. Docker is a development platform that bases its services on virtual environments. Containers work as virtual environments, which provide the application with libraries and dependencies for its correct operation. Containers are virtualized at the operating system level and not at the hardware level like virtual machines. Kubernetes is the platform that is responsible for orchestrating containers and keeping them online. Kubernetes works through the cloud as another means of virtualization that allows users to deploy applications without having to buy servers or keep the host computer that deploys the application on 24 hours a day. Kubernetes, unlike a host machine, works through the cloud and its main job is to prioritize the operation and deployment of containers. A host machine can be rented for close to the same price, however, it will not prioritize container orchestration. The validation of this work was done through processing time measurements on the container and on local machines, demonstrating the efficiency of software development in the cloud and the ease of deployment on the web. Future research is expected to use GCP APIs such as virtual machines, Buckets for storage and Vertex AI for the development and construction of optimal learning models.PregradoIngeniero ElectrónicoResumen.....v Lista de figuras.....ix Lista de tablas.....xi OBJETIVOS.....xii Objetivo general.....xii Objetivos específicos.....xii Introducción.....1 Marco Teórico.....3 Estado Del Arte.....9 Ambientes de desarrollo virtuales con Docker.....9 Virtualización.....10 Las máquinas virtuales.....10 Docker vs máquinas virtuales.....11 Kubernetes y despliegue.....12 1. Accediendo a Google Cloud Platform.....14 1.1 Creación de la cuenta en GCP.....14 1.2 Servicios, interfaz y consola de Google Cloud.....16 2. Docker, Kubernetes y despliegue.....20 2.1 Los contenedores y su configuración.....21 2.2 Ejecución de contenedores y Google Container Register (GCR).....25 2.3 Configuración del clúster de Kubernetes y despliegue.....29 3. Máquinas de aprendizaje profundo con librerías de TensorFlow.....42 3.1 Programación de la aplicación con TensorFlow.....43 4. Funcionamiento del trabajo en conjunto en la nube.....48 4.1 Aplicación a implementar en contenedor.....48 4.2 Contenedor como medio de ambiente virtual.....49 4.3 Kubernetes y despliegue en la nube.....50 4.4 GCP como medio de despliegue en la nube.....51 5 Resultados.....53 6 Conclusiones y recomendaciones.....57 6.1 Conclusiones.....57 6.2 Recomendaciones.....58 Referencias bibliográficas.....5973 páginasapplication/pdfMoncaleano Chico, A. C. (2022). Desarrollo e implementación de modelos de aprendizaje profundo en contenedor mediante la plataforma Kubernetes basada en Google Cloud Computing (GPC). [Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4867https://hdl.handle.net/20.500.12313/4867spaUniversidad de IbaguéIngenieríaIbaguéIngeniería ElectrónicaBisong, E. (2019). Building Machine Learning and Deep Learning Models on Google Cloud Platform. Apress. https://doi.org/10.1007/978-1-4842-4470-8C. (2015).A. Dearle, "Software Deployment, Past, Present and Future," Future of Software Engineering (FOSE '07), 2007, pp. 269-284, doi: 10.1109/FOSE.2007.20.A. Carzaniga, A. Fuggetta, R. S. Hall, D. Heimbigner, A. v. d. Hoek, and A. L. Wolf, “A Characterization Framework for Software Deployment Technologies”, Technical Report Department of Computer Science, University of Colorado, Boulder, Colorado, April 1998Rusk, N. (2016). Deep learning. Nature Methods. Vol; 13. N°1; p. 35–35. doi:10.1038/nmeth.3707Khandhar, N., Shah, S. (2019). Docker - The Future of Virtualization. International Journal of Research and Analytical Reviews (IJRAR). Vol; 6.Anchuelo, J. “Diseño e implementación de sistema de monitorización de máquinas virtuales”. (16 enero de 2021) disponible en: (https://ebuah.uah.es/xmlui/bitstream/handle/10017/47087/TFG_Anchuelo_Rivillo_2021.p df?sequence=1&isAllowed=y).Bahillo, Luis, “Historia de Internet: cómo nació y cuál fue su evolución“”. {En línea}. {18 mayo de 2021} disponible en: (https://marketing4ecommerce.net/historia-de-internet/l).Pulido, Raul, “Kubernetes: Historia”. {En línea}. {13 abril de 2020} disponible en: (https://www.maquinasvirtuales.eu/kubernetes-historia/).Hernandez, Nelly. “Computación En La Nube”. En: Revista mundo FESC. Edición N°8. (Diciembre 2014); p. 46-51."Cloud Computing Services | Google Cloud", Google Cloud, 2021. [Online]. Disponible en: https://cloud.google.com/.Cito, J., Schermann, G., Wittern, J. E., Leitner, P., Zumberi, S., & Gall, H. C. (2017). An Empirical Analysis of the Docker Container Ecosystem on GitHub. 2017 IEEE/ACM 14th International Conference on Mining Software Repositories (MSR). doi:10.1109/msr.2017.67Spoiala, C. C., Calinciuc, A., Turcu, C. O., & Filote, C. (2016). Performance comparison of a WebRTC server on Docker versus virtual machine. 2016 International Conference on Development and Application Systems (DAS). doi:10.1109/daas.2016.7492590Bernstein, D. (2014). Containers and Cloud: From LXC to Docker to Kubernetes. IEEE Cloud Computing, 1(3), 81–84. doi:10.1109/mcc.2014.51Medel, V., Rana, O., Bañares, J. ángel, Arronategui, U. (2016). Modelling performance & resource management in kubernetes. Proceedings of the 9th International Conference on Utility and Cloud Computing - UCC ’16. doi:10.1145/2996890.3007869Barol, A. (2002). Evolución de la tecnología de acceso a internet. [Online]. Disponible en: https://www.tdx.cat/bitstream/handle/10803/9156/Tavb06de23.pdf?TensorFlow: A System for Large-Scale Machine Learning. Martin Abadi, 2016.Pang, B., Nijkamp, E., & Wu, Y. N. (2019). Deep Learning with TensorFlow: A Review. Journal of Educational and Behavioral Statistics, 45(2), 227–248. doi:10.3102/1076998619872761L. Mora, Programación de aplicaciones Web: historia, principios básicos y clientes Web, Primera ed., San Vicente: Club Universitario, 2002.A. Ramos Martín y M. J. Ramos Martín, Aplicaciones Web, Segunda ed., Madrid: Ediciones Paraninfo, S.A., 2014.Molina Ríos, J.R., Zea Ordóñez, M.P., Contento Segarra, M.J. y García Zerda, F.G. (2018). Comparación de metodologías en aplicaciones web. 3C Tecnología: glosas de innovación aplicadas a la pyme, 7(1). 1-19. DOI: <http://dx.doi.org/10.17993/3ctecno.2018.v7n1e25.1-19/>.info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)https://creativecommons.org/licenses/by-nc/4.0/Plataforma Kubernetes - Modelos de aprendizajeGoogle Cloud Computing (GPC)Computación en la nubeContenedoresDespliegueKubernetesTensor flowKubernetesCloud computingContainersDeploymentTensorFlowDesarrollo e implementación de modelos de aprendizaje profundo en contenedor mediante la plataforma Kubernetes basada en Google Cloud Computing (GPC)Trabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttp://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/acceptedVersionPublicationORIGINALTrabajo de grado.pdfTrabajo de grado.pdfapplication/pdf1972279https://repositorio.unibague.edu.co/bitstreams/0c08a22b-a7a3-4fb4-abb1-bd74663181cb/download286fa901de513c9e4ae328b097e00113MD51Anexos.zipAnexos.zipapplication/zip7933https://repositorio.unibague.edu.co/bitstreams/92a9bab8-3764-4a13-a5be-d82791b4296e/download27a25b1ee00bf3524d4823817e55371eMD52Formato de autorización.pdfFormato de autorización.pdfapplication/pdf233936https://repositorio.unibague.edu.co/bitstreams/a5c9a436-57a0-417e-bdb4-df84d8534b6c/download31da8dd9bd3591401db1f8c0f1eec9dcMD53LICENSElicense.txtlicense.txttext/plain; charset=utf-8134https://repositorio.unibague.edu.co/bitstreams/e3e37e08-9f3d-41d5-8683-d2f19ac4ea96/download2fa3e590786b9c0f3ceba1b9656b7ac3MD54TEXTTrabajo de grado.pdf.txtTrabajo de grado.pdf.txtExtracted texttext/plain101607https://repositorio.unibague.edu.co/bitstreams/f5a0fba8-3216-4216-bf02-c528ad93361f/download4add76466257b7f627b8e75455736111MD59Formato de autorización.pdf.txtFormato de autorización.pdf.txtExtracted texttext/plain3756https://repositorio.unibague.edu.co/bitstreams/5d3eca7a-0f30-4e25-a6e6-3e3d2779b10c/download1c0db27bdc36024521811332554b27c7MD511THUMBNAILTrabajo de grado.pdf.jpgTrabajo de grado.pdf.jpgIM Thumbnailimage/jpeg8295https://repositorio.unibague.edu.co/bitstreams/6896d773-0a69-4cef-8f6d-ed38a84df1b8/downloadafef9b9e9a3e4b9217ad63a40615ed3bMD510Formato de autorización.pdf.jpgFormato de autorización.pdf.jpgIM Thumbnailimage/jpeg19668https://repositorio.unibague.edu.co/bitstreams/fd8d9a9a-6844-41b5-a854-9b3ee5b6ea1b/downloadfaf78dc438f8fecdbd131217892a616dMD51220.500.12313/4867oai:repositorio.unibague.edu.co:20.500.12313/48672025-08-13 01:06:50.427https://creativecommons.org/licenses/by-nc/4.0/https://repositorio.unibague.edu.coRepositorio Institucional Universidad de Ibaguébdigital@metabiblioteca.comQ3JlYXRpdmUgQ29tbW9ucyBBdHRyaWJ1dGlvbi1Ob25Db21tZXJjaWFsLU5vRGVyaXZhdGl2ZXMgNC4wIEludGVybmF0aW9uYWwgTGljZW5zZQ0KaHR0cHM6Ly9jcmVhdGl2ZWNvbW1vbnMub3JnL2xpY2Vuc2VzL2J5LW5jLW5kLzQuMC8=

Publicaciones similares