Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Programa del Curso
Introducción
- Kubeflow en GCK frente a on-premise frente a otros proveedores de nube pública
Descripción general de Kubeflow funciones en GCP
- Gestión declarativa de recursos
- Ajuste de escala automático de GKE para cargas de trabajo de aprendizaje automático (ML)
- Conexiones seguras a Jupyter
- Registros persistentes para depuración y solución de problemas
- GPUs y TPU para acelerar las cargas de trabajo
Información general sobre la configuración del entorno
- Preparación de la máquina virtual
- Kubernetes Configuración del clúster
- Instalación de Kubeflow
Implementación Kubeflow
- Implementación Kubeflow on GCP
- Implementación de Kubeflow en entornos locales y en la nube
- Implementa Kubeflow en GKE
- Configura un dominio personalizado en GKE
Canalizaciones en GCP
- Configuración de una canalización de un extremo a otro Kubeflow
- Personalización de Kubeflow canalizaciones
Protección de un clúster Kubeflow
- Configuración de la autenticación y la autorización
- Usar los controles del servicio de VPC y GKE privado
Almacenamiento, Accessing, gestión de datos
- Descripción de los sistemas de archivos compartidos y el almacenamiento conectado a la red (NAS)
- Uso de servicios de almacenamiento de archivos administrados en GCE
Ejecución de un trabajo de entrenamiento de ML
- Entrenamiento de un modelo MNIST
Administración Kubeflow
- Registro y monitoreo
Solución de problemas
Resumen y conclusión
Requerimientos
- Comprensión de los conceptos de aprendizaje automático.
- Conocimiento de los conceptos de computación en la nube.
- Conocimientos generales de contenedores (Docker) y orquestación (Kubernetes).
- Algo de Python experiencia en programación es útil.
- Experiencia trabajando con una línea de comandos.
Audiencia
- Ingenieros en ciencia de datos.
- DevOps Ingenieros interesados en la implementación de modelos de aprendizaje automático.
- Ingenieros de infraestructura interesados en la implementación de modelos de aprendizaje automático.
- Ingenieros de software que deseen automatizar la integración y el despliegue de funciones de aprendizaje automático con su aplicación.
28 horas
Testimonios (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Curso - 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.
