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.
Recensioni (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Corso - 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.