Struttura del corso

Introduzione

  • Kubeflow su GCK vs on-premise vs su altri provider di cloud pubblico

Panoramica di Kubeflow funzionalità di GCP

  • Gestione dichiarativa delle risorse
  • Scalabilità automatica GKE per i carichi di lavoro di Machine Learning (ML)
  • Connessioni sicure a Jupyter
  • Registri permanenti per il debug e la risoluzione dei problemi
  • GPU e TPU per accelerare i carichi di lavoro

Panoramica dell'impostazione dell'ambiente

  • Preparazione della macchina virtuale
  • Kubernetes Configurazione del cluster
  • Installazione di Kubeflow

Distribuzione Kubeflow

  • Distribuzione [ 4]
  • Distribuzione di Kubeflow in ambienti on-premise e cloud
  • Distribuzione di Kubeflow su GKE
  • Impostazione di un dominio personalizzato su GKE

Pipeline su GCP

  • Impostazione di una pipeline end-to-end Kubeflow
  • Personalizzazione di Kubeflow pipeline

Protezione di un cluster Kubeflow

  • Impostazione dell'autenticazione e dell'autorizzazione
  • Utilizzo dei controlli del servizio VPC e del GKE privato

Memorizzazione, Accessing, gestione dei dati

  • Informazioni sui file system condivisi e sul NAS (Network Attached Storage)
  • Utilizzo dei servizi di archiviazione di file gestiti in GCE

Esecuzione di un processo di formazione ML

  • Addestramento di un modello MNIST

Somministrazione Kubeflow

  • Registrazione e monitoraggio

Risoluzione dei problemi

Riassunto e conclusione

Requisiti

  • Comprensione dei concetti di machine learning.
  • Conoscenza dei concetti di cloud computing.
  • Una conoscenza generale dei contenitori (Docker) e dell'orchestrazione (Kubernetes).
  • Un po' di Python esperienza di programmazione è utile.
  • Esperienza di lavoro con una riga di comando.

Pubblico

  • Ingegneri della scienza dei dati.
  • DevOps Ingegneri interessati all'implementazione di modelli di Machine Learning.
  • Ingegneri dell'infrastruttura interessati alla distribuzione di modelli di machine learning.
  • Ingegneri del software che desiderano automatizzare l'integrazione e la distribuzione di funzionalità di machine learning con la loro applicazione.
  28 ore

Numero di Partecipanti



Prezzo per Partecipante

Recensioni (2)

Corsi relativi

Categorie relative