Kursplan
Introduksjon
- Kubeflow på GCK vs on-premise vs på andre offentlige skyleverandører
Oversikt over Kubeflow funksjoner på GCP
- Deklarativ administrasjon av ressurser GKE autoskalering for maskinlæring (ML) arbeidsbelastninger Sikre tilkoblinger til Jupyter Vedvarende logger for feilsøking og feilsøking GPUer og TPUer for å akselerere arbeidsbelastninger
Oversikt over miljøoppsett
- Klargjøring av virtuell maskin Kubernetes klyngeoppsett Kubeflow-installasjon
Utplasserer Kubeflow
- Distribuere Kubeflow on GCP Distribuere Kubeflow på tvers av lokale og skymiljøer Distribuere Kubeflow på GKE Sette opp et tilpasset domene på GKE
Rørledninger på GCP
- Sette opp en ende-til-ende Kubeflow rørledning Tilpasse Kubeflow rørledninger
Sikring av en Kubeflow klynge
- Sette opp autentisering og autorisasjon Bruke VPC-tjenestekontroller og privat GKE
Lagring, Accessing, administrasjon av data
- Forstå delte filsystemer og Network Attached Storage (NAS) Bruke administrerte fillagringstjenester i GCE
Kjører en ML-treningsjobb
- Trening av en MNIST-modell
Administrerer Kubeflow
- Logging og overvåking
Feilsøking
Oppsummering og konklusjon
Krav
- En forståelse av konsepter for maskinlæring.
- Kunnskap om cloud computing konsepter.
- En generell forståelse av containere (Docker) og orkestrering (Kubernetes).
- Noe Python programmeringserfaring er nyttig.
- Erfaring med å jobbe med en kommandolinje.
Publikum
- Datavitenskapelige ingeniører.
- DevOps ingeniører som er interessante i utrulling av maskinlæringsmodeller.
- Infrastrukturingeniører som er interessante i utrulling av maskinlæringsmodeller.
- Programvareingeniører som ønsker å automatisere integrering og distribusjon av maskinlæringsfunksjoner med applikasjonen deres.
Testimonials (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Kurs - MLflow
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.