Kurzusleírás
Bevezetés
- Kubeflow a GCK-n a helyszíni és más nyilvános felhőszolgáltatók között
A GCP Kubeflow funkcióinak áttekintése
- Erőforrások deklaratív kezelése
- GKE automatikus skálázás gépi tanulási (ML) munkaterhelésekhez
- Biztonságos kapcsolatok a Jupyterrel
- Állandó naplók a hibakereséshez és a hibaelhárításhoz
- GPUs és TPU-k a munkaterhelés felgyorsítása érdekében
A környezetbeállítás áttekintése
- Virtuális gép előkészítése
- Kubernetes fürt beállítása
- Kubeflow telepítés
Telepítés Kubeflow
- A Kubeflow telepítése GCP-n
- A Kubeflow telepítése helyszíni és felhőkörnyezetekben
- Kubeflow telepítése a GKE-n
- Egyéni domain beállítása a GKE-n
Csővezetékek a GCP-n
- Végpontok közötti Kubeflow csővezeték beállítása
- Kubeflow Csővezetékek testreszabása
Kubeflow Klaszter biztosítása
- Hitelesítés és engedélyezés beállítása
- VPC szolgáltatásvezérlők és privát GKE használata
Adatok tárolása, Accesskezelése, kezelése
- A megosztott fájlrendszerek és a Network Attached Storage (NAS) megértése
- Felügyelt fájltárolási szolgáltatások használata a GCE-ben
ML képzési munka futása
- MNIST modell betanítása
Adminisztráció Kubeflow
- Naplózás és megfigyelés
Hibaelhárítás
Összefoglalás, és következtetés
Követelmények
- A gépi tanulási koncepciók megértése.
- A számítási felhő fogalmainak ismerete.
- A konténerek (Docker) és a hangszerelés (Kubernetes) általános ismerete.
- Némi Python programozási tapasztalat hasznos.
- Parancssoros munkatapasztalat.
Közönség
- Adattudományi mérnökök.
- DevOps mérnökök, akik érdeklődnek a gépi tanulási modell bevezetésében.
- Infrastruktúra mérnökök érdekesek a gépi tanulási modell bevezetésében.
- Szoftvermérnökök, akik alkalmazásukkal automatizálni kívánják a gépi tanulási funkciók integrációját és telepítését.
Vélemények (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Kurzus - 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.