Schulungsübersicht
Einführung
- Kubeflow auf GCK vs. On-Premise vs. andere öffentliche Cloud-Anbieter
Überblick über Kubeflow Funktionen auf GCP
- Deklarative Verwaltung von Ressourcen
- Automatische Skalierung von GKE für Workloads des maschinellen Lernens (ML)
- Sichere Verbindungen zu Jupyter
- Persistente Protokolle für Debugging und Fehlerbehebung
- GPUs und TPUs zur Beschleunigung von Workloads
Überblick über die Einrichtung der Umgebung
- Vorbereitung der virtuellen Maschine
- Kubernetes Einrichtung des Clusters
- Kubeflow-Installation
Einsetzen Kubeflow
- Bereitstellen Kubeflow on GCP
- Einsatz von Kubeflow in ortsfesten und Cloud-Umgebungen
- Einsatz von Kubeflow auf GKE
- Einrichten einer benutzerdefinierten Domäne auf GKE
Pipelines auf GCP
- Einrichten einer End-to-End-Kubeflow-Pipeline
- Anpassen von Kubeflow-Pipelines
Absicherung eines Kubeflow Clusters
- Einrichten von Authentifizierung und Autorisierung
- Verwendung von VPC-Dienstkontrollen und privatem GKE
Speichern, Accessing, Verwalten von Daten
- Verstehen von gemeinsam genutzten Dateisystemen und Network Attached Storage (NAS)
- Verwendung von verwalteten Dateispeicherdiensten in GCE
Durchführung eines ML-Ausbildungsauftrags
- Training eines MNIST-Modells
Verabreichung Kubeflow
- Protokollierung und Überwachung
Fehlersuche
Zusammenfassung und Schlussfolgerung
Voraussetzungen
- Verständnis für Konzepte des maschinellen Lernens.
- Kenntnisse über Cloud-Computing-Konzepte.
- Ein allgemeines Verständnis von Containern (Docker) und Orchestrierung (Kubernetes).
- Ein wenig Python Programmiererfahrung ist hilfreich.
- Erfahrung im Umgang mit einer Kommandozeile.
Publikum
- Datenwissenschaftler.
- DevOps Ingenieure, die an der Entwicklung von Modellen für maschinelles Lernen interessiert sind.
- Infrastrukturingenieure, die an der Bereitstellung von maschinellen Lernmodellen interessiert sind.
- Software-Ingenieure, die die Integration und Bereitstellung von Funktionen des maschinellen Lernens in ihrer Anwendung automatisieren möchten.
Erfahrungsberichte (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Kurs - 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.