Course Outline
Εισαγωγή
- Kubeflow σε GCK έναντι εσωτερικής εγκατάστασης έναντι άλλων παρόχων δημόσιου cloud
Επισκόπηση των Kubeflow δυνατοτήτων στο GCP
- Δηλωτική διαχείριση πόρων Autoscaling GKE για φόρτους εργασίας μηχανικής εκμάθησης (ML) Ασφαλείς συνδέσεις με Jupyter Persistent αρχεία καταγραφής για εντοπισμό σφαλμάτων και αντιμετώπιση προβλημάτων GPUs και TPU για επιτάχυνση του φόρτου εργασίας
Επισκόπηση της ρύθμισης περιβάλλοντος
- Προετοιμασία εικονικής μηχανής Kubernetes Ρύθμιση συμπλέγματος Εγκατάσταση Kubeflow
Ανάπτυξη Kubeflow
- Ανάπτυξη Kubeflow on GCP Ανάπτυξη του Kubeflow σε περιβάλλοντα εσωτερικού χώρου και cloud Ανάπτυξη του Kubeflow στο GKE Ρύθμιση προσαρμοσμένου τομέα στο GKE
Σωληνώσεις στο GCP
- Ρύθμιση ενός αγωγού από άκρο σε άκρο Kubeflow Προσαρμογή Kubeflow αγωγών
Εξασφάλιση συμπλέγματος Kubeflow
- Ρύθμιση ελέγχου ταυτότητας και εξουσιοδότησης Χρήση στοιχείων ελέγχου υπηρεσίας VPC και ιδιωτικού GKE
Αποθήκευση, Accessing, Διαχείριση δεδομένων
- Κατανόηση των κοινόχρηστων συστημάτων αρχείων και της δικτυακής αποθήκευσης (NAS) Χρήση διαχειριζόμενων υπηρεσιών αποθήκευσης αρχείων στο GCE
Εκτέλεση εργασίας εκπαίδευσης ML
- Εκπαίδευση μοντέλου MNIST
Διαχείριση Kubeflow
- Καταγραφή και παρακολούθηση
Αντιμετώπιση προβλημάτων
Περίληψη και Συμπέρασμα
Requirements
- Κατανόηση των εννοιών της μηχανικής μάθησης.
- Γνώση των εννοιών του cloud computing.
- Μια γενική κατανόηση των κοντέινερ (Docker) και της ενορχήστρωσης (Kubernetes).
- Κάποια Python εμπειρία προγραμματισμού είναι χρήσιμη.
- Εμπειρία εργασίας με γραμμή εντολών.
Ακροατήριο
- Μηχανικοί επιστήμης δεδομένων.
- DevOps μηχανικοί που ενδιαφέρονται για την ανάπτυξη μοντέλων μηχανικής μάθησης.
- Οι μηχανικοί υποδομής ενδιαφέρονται για την ανάπτυξη μοντέλων μηχανικής μάθησης.
- Μηχανικοί λογισμικού που επιθυμούν να αυτοματοποιήσουν την ενσωμάτωση και την ανάπτυξη λειτουργιών μηχανικής εκμάθησης με την εφαρμογή τους.
Testimonials (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Course - 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.