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.
  28 Stunden

Teilnehmerzahl



Preis je Teilnehmer

Erfahrungsberichte (2)

Kombinierte Kurse

Verwandte Kategorien