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.
  28 Hours
 

Number of participants


Starts

Ends


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Testimonials (2)

Related Courses

MLflow

  21 Hours

MLOps: CI/CD for Machine Learning

  35 Hours

Kubeflow

  35 Hours

Related Categories