Plan Szkolenia

Wprowadzenie

  • Wprowadzenie do Kubernetes
  • Przegląd funkcji i architektury Kubeflow
  • Kubeflow w AWS vs. lokalnie vs. u innych dostawców chmury publicznej

Konfiguracja klastra przy użyciu AWS EKS

Konfigurowanie klastra lokalnego przy użyciu Microk8s

Wdrażanie Kubernetes przy użyciu podejścia GitOps

Podejścia do przechowywania danych

Tworzenie Kubeflow potoku

Wyzwalanie potoku

Definiowanie artefaktów wyjściowych

Przechowywanie metadanych dla zestawów danych i modeli

Dostrajanie hiperparametrów za pomocą TensorFlow

Wizualizacja i analiza wyników

Multi-GPU Training

Tworzenie serwera wnioskowania do wdrażania modeli uczenia maszynowego

Praca z JupyterHub

Równoważenie obciążenia Networking

Automatyczne skalowanie klastra Kubernetes

Rozwiązywanie problemów

Podsumowanie i wnioski

Wymagania

  • Znajomość składni Python
  • Doświadczenie z Tensorflow, PyTorch lub innym frameworkiem uczenia maszynowego
  • Konto AWS z niezbędnymi zasobami

Uczestnicy

  • Programiści
  • Naukowcy zajmujący się danymi
 35 godzin

Liczba uczestników


cena netto za uczestnika

Opinie uczestników (1)

Propozycje terminów

Powiązane Kategorie