Schulungsübersicht
Einführung
- Einführung in Kubernetes
- Überblick über Kubeflow Funktionen und Architektur
- Kubeflow auf AWS vs. On-Premise vs. auf anderen öffentlichen Cloud-Anbietern
Einrichten eines Clusters mit AWS EKS
Einrichten eines On-Premise-Clusters mit Microk8s
Bereitstellung Kubernetes mit einem GitOps-Ansatz
Ansätze zur Datenspeicherung
Erstellen einer Kubeflow Pipeline
Auslösen einer Pipeline
Definieren von Output-Artefakten
Speichern von Metadaten für Datensätze und Modelle
Hyperparameter-Abstimmung mit TensorFlow
Visualisieren und Analysieren der Ergebnisse
Multi-GPU Ausbildung
Erstellen eines Inferenzservers für die Bereitstellung von ML-Modellen
Arbeiten mit JupyterHub
Networking und Lastausgleich
Automatische Skalierung eines Kubernetes Clusters
Fehlersuche
Zusammenfassung und Schlussfolgerung
Voraussetzungen
- Vertrautheit mit der Python-Syntax
- Erfahrung mit Tensorflow, PyTorch oder einem anderen Framework für maschinelles Lernen
- Ein AWS-Konto mit den erforderlichen Ressourcen
Publikum
- Entwickler
- Datenwissenschaftler
Erfahrungsberichte (1)
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.