Plan Szkolenia
Wprowadzenie
Przegląd funkcji i komponentów Kubeflow
- Kontenery, manifesty itp.
Przegląd potoku Machine Learning
- Szkolenie, testowanie, dostrajanie, wdrażanie itp.
Wdrażanie Kubeflow w klastrze Kubernetes
- Przygotowanie środowiska wykonawczego (klaster szkoleniowy, klaster produkcyjny itp.)
- Pobieranie, instalowanie i dostosowywanie.
Uruchamianie potoku Machine Learning na klastrze Kubernetes
- Tworzenie potoku TensorFlow.
- Tworzenie potoku PyTorch.
Wizualizacja wyników
- Eksportowanie i wizualizowanie metryk potoku
Dostosowywanie środowiska wykonawczego
- Dostosowywanie stosu do różnych infrastruktur
- Aktualizacja wdrożenia Kubeflow
Uruchamianie Kubeflow w chmurach publicznych
- AWS, Microsoft Azure, Google Cloud Platform
Zarządzanie produkcyjnymi przepływami pracy
- Uruchamianie przy użyciu metodologii GitOps
- Planowanie zadań
- Tworzenie notatników Jupyter
Rozwiązywanie problemów
Podsumowanie i wnioski
Wymagania
- Znajomość składni Python
- Doświadczenie z Tensorflow, PyTorch lub innym frameworkiem uczenia maszynowego
- Konto dostawcy chmury publicznej (opcjonalnie)
Uczestnicy
- Programiści
- Naukowcy zajmujący się danymi
Opinie uczestników (1)
Uczestniczenie w szkoleniu Kubeflow, które odbyło się zdalnie, było dla mnie bardzo przyjemne. To szkolenie pozwoliło mi ugruntować moją wiedzę dotyczącą usług AWS, K8s oraz wszystkich narzędzi devOps związanych z Kubeflow, które są niezbędnymi podstawami do właściwego podejścia do tematu. Chciałbym podziękować Malawskiemu Marcinowi za jego cierpliwość i profesjonalizm w trakcie szkolenia oraz za rady dotyczące najlepszych praktyk. Malawski podejmuje temat z różnych perspektyw, różnych narzędzi wdrażania Ansible, EKS kubectl, Terraform. Teraz jestem zdecydowanie przekonany, że wybieram właściwy kierunek aplikacji.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Szkolenie - Kubeflow
Przetłumaczone przez sztuczną inteligencję