Schulungsübersicht
Einführung
- Einführung in Kubernetes
- Überblick über Kubeflow Funktionen und Architektur
- Kubeflow auf AWS vs. On-Premise vs. andere öffentliche Cloud-Anbieter
Einrichten eines Clusters mit AWS EKS
Einrichten eines On-Premise-Clusters mit Microk8s
Bereitstellen Kubernetes mit einem GitOps-Ansatz
Ansätze zur Datenspeicherung
Erstellen einer Kubeflow Pipeline
Triggern einer Pipeline
Definieren von Output-Artefakten
Speichern von Metadaten für Datensätze und Modelle
Abstimmung der Hyperparameter mit TensorFlow
Visualisieren und Analysieren der Ergebnisse
Multi-GPU-Training
Erstellen eines Inferenzservers für die Bereitstellung von ML-Modellen
Arbeiten mit JupyterHub
Networking und Lastausgleich
Automatische Skalierung eines Kubernetes Clusters
Fehlersuche
Zusammenfassung und Schlussfolgerung
Voraussetzungen
- Vertrautheit mit der Python-Syntax
- Erfahrung mit Tensorflow, PyTorch oder einem anderen Framework für maschinelles Lernen
- Ein AWS-Konto mit den erforderlichen Ressourcen
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