Schulungsübersicht
Einführung
Überblick über Kubeflow Funktionen und Komponenten
- Container, Manifeste, etc.
Überblick über eine Machine Learning Pipeline
- Trainieren, Testen, Abstimmen, Bereitstellen, usw.
Bereitstellen von Kubeflow auf einem Kubernetes Cluster
- Vorbereitung der Ausführungsumgebung (Trainingscluster, Produktionscluster, etc.)
- Herunterladen, Installieren und Anpassen.
Ausführen einer Machine Learning Pipeline auf Kubernetes
- Aufbau einer TensorFlow-Pipeline.
- Erstellen einer PyTorch-Pipeline.
Visualisierung der Ergebnisse
- Exportieren und Visualisieren von Pipeline-Metriken
Anpassen der Ausführungsumgebung
- Anpassen des Stacks für verschiedene Infrastrukturen
- Aktualisieren eines Kubeflow-Einsatzes
Ausführen von Kubeflow in öffentlichen Clouds
- AWS, Microsoft Azure, Google Cloud Platform
Verwalten von Produktions-Workflows
- Ausführen mit GitOps-Methodik
- Planen von Aufträgen
- Erstellen von Jupyter-Notizbüchern
Fehlersuche
Zusammenfassung und Schlussfolgerung
Voraussetzungen
- Vertrautheit mit der Python-Syntax
- Erfahrung mit Tensorflow, PyTorch oder einem anderen Framework für maschinelles Lernen
- Ein Konto bei einem öffentlichen Cloud-Anbieter (optional)
Zielgruppe
- Entwickler
- Datenwissenschaftler
Erfahrungsberichte (1)
Ich habe es sehr genossen, an der Kubeflow Ausbildung teilzunehmen, die ferngesteuert durchgeführt wurde. Diese Ausbildung ermöglichte mir, mein Wissen zu AWS-Diensten, K8s und allen devOps-Tools rund um Kubeflow zu festigen, was die notwendige Grundlage ist, um das Thema angemessen anzugehen. Ich möchte Malawski Marcin für seine Geduld und Professionalität bei der Ausbildung sowie für Tipps zur besten Praxis danken. Malawski attackiert das Thema aus verschiedenen Perspektiven, mit unterschiedlichen Bereitstellungstools Ansible, EKS kubectl, Terraform. Jetzt bin ich definitiv überzeugt, dass ich mich auf dem richtigen Anwendungsgebiet befinde.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life TM
Kurs - Kubeflow
Maschinelle Übersetzung