Продукты
Кейсы
Документация
Блог
О компании
О компании
Юридические документы
Вакансии
Контакты
Партнерская программа
Вход / Регистрация
AI Cloud ML Space. Руководство пользователя
  • Обзор ML Space
    • Преимущества
    • Возможности
    • Параметры оборудования
    • Ограничения и особенности
    • Навигация
    • Профиль
      • Workspace
      • Параметры разработчика
    • Кейсы применения
      • Клиенты SberCloud
        • Обучение модели ruGPT-3
        • Обучение модели генерации текста
        • Обучение модели обработки текста
        • Сервис расшифровки снимков компьютерной томографии легких
        • Голосовой ассистент семейства "Салют"
        • Обучение модели для работы чат-бота
        • Решение задачи по сопоставлению фотографий
        • Автоматизация креативов для мультиплатформенного размещения рекламы
      • SberCloud (DSaaS)
        • Предсказание вероятности сделки между клиентом и водителем для сервиса такси
        • Определение качества угля для промышленной компании
        • Оптимизация процесса выдачи скидок партнерам для производителя электроники
        • Классификация фотографий для сервиса хранения документов
        • Повышение точности прогнозирования спроса для сети ресторанов быстрого питания
        • Подбор исполнителей для выполнения заказов клининговой компании
        • Разработка алгоритма подбора спортивной дисциплины на основе индивидуальных особенностей человека
        • Классификация фотографий сцены происшествия для страховой компании
        • Определение качества фотографии для страховой компании
        • Определение типа отделки по фотографиям для страховой компании
    • Начало работы
  • Быстрый старт
    • Быстрый старт по работе с Data Catalog
    • Быстрый старт по работе с Deployments
    • Быстрый старт по работе с Environments
    • Базовый сценарий использования сервиса AutoML
    • Продвинутый сценарий использования сервиса AutoML
  • Data Catalog
    • Работа с данными
      • Data transfer service
      • Загрузка и хранение данных
        • Действия над папками и файлами
      • Управление данными
    • Artifact registry
      • Docker registry
        • Начало работы
        • Базовые концепции
        • Сценарии использования
        • Кастомные Docker-образы
      • Model registry
      • Dataset registry
  • Environments
    • Создать окружение
      • Загрузка файлов
      • Jupyter Server (конфигурация Default)
        • Регионы размещения ресурсов
        • Действия над Jupyter Server
        • Кластер Spark
        • Работа из терминала Jupyter Notebook/JupyterLab
      • GitLab CI при работе с Environments
      • Подключение по ssh
      • Задачи обучения
        • Процесс обучения
        • Использование ресурсов
        • Сохранение промежуточных результатов обучения (checkpoints)
        • Установка библиотек из склонированного Git-репозитория
        • Подключение по SSH к исполняемой на кластере задаче обучения
        • Пример обучения модели с использованием библиотеки Horovod
        • Советы по оптимизации процесса обучения
      • Препроцессинг данных
      • Образы, используемые на платформе ML Space
        • Библиотеки в образах Jupyter Server
        • Библиотеки в базовых образах
    • Задачи и окружения
    • Мониторинг моделей
      • Загрузка оборудования
      • Мониторинг моделей
    • Эксперименты
  • Deployments
    • Деплои
      • Регионы размещения ресурсов
      • Загрузка файлов
      • Развертывание модели
        • Карточка деплоя
      • Сборка образов
      • Сборка кастомного Docker-образа для Inference
      • Сборка кастомного образа на основании базового
      • Скрипты для прогнозирования на основе обученных моделей
      • Валидация
      • Отправка HTTP-запросов к сервису
      • Список доступных базовых образов
    • Образы
  • AutoML
    • Карточка задачи AutoML
  • Pipelines
    • Пример кода для создания Pipeline
  • AI Marketplace
    • DataHub
      • ruGPT-3 & family
    • AI Services
  • Библиотека client_lib
    • Job
    • S3CopyJob
    • ImageBuildJob
    • EraserJob
    • Общие методы
      • Методы копирования
  • Справочник API
    • Начало работы
    • Методы для аутентификации
    • Методы для работы с задачами обучения
    • Служебные методы
    • Методы для работы с хранилищем S3
    • Методы для работы с service_job
    • Хранилище (storage)
    • Методы для работы с Inference
    • Методы для работы с Inference/build
    • Методы для работы с Docker registry
  • Обучающие материалы
  • Вопросы и ответы
    • Общие
    • Профиль
    • Data Catalog
      • Artifact registry
    • Environments
      • Вопросы и ответы про задачи обучения
      • Вопросы и ответы про Spark
      • Мультикластерность
      • Удаленная отладка в Pycharm по SSH
    • Deployments
    • AutoML
    • Pipelines
    • AI Marketplace
  • Тарификация
  • Термины и сокращения
  • Лицензии для компонентов Open Source
  • Техническая поддержка
Все документы
AI Cloud ML Space. Руководство пользователя
  • »
  • Лицензии для компонентов Open Source

Лицензии для компонентов Open Source

В рамках сервиса используются следующие компоненты третьих лиц с открытым исходным кодом (Open Source):

Компонент

Лицензия

kubernetes

Apache License 2.0

prometheus

Apache License 2.0

kubeflow

Apache License 2.0

kfserving

Apache License 2.0

knative

Apache License 2.0

istio

Apache License 2.0

react

MIT License

grafana

Apache License 2.0

Elasticsearch

Apache License 2.0

logstash

Apache License 2.0

kibana

Apache License 2.0

clickhouse

Apache License 2.0

redux

MIT License

jest

MIT License

typesafe-actions

MIT License

redux-persist

MIT License

redux-thunk

MIT License

react-resizable

MIT License

antd

MIT License

babel

MIT License

webpack

MIT License

less

Apache License 2.0

react-dnd

MIT License

typescript

Apache License 2.0

Была ли эта статья полезной?
Следующая Предыдущая

© Авторские права 2022, SberCloud

Собрано при помощи Sphinx с использованием темы, предоставленной Read the Docs.