Kubeflow on AWS

• Zrozumienie koncepcji uczenia maszynowego.
• Znajomość koncepcji przetwarzania w chmurze.
• Ogólne zrozumienie kontenerów (Docker) i orkiestracji (Kubernetes).
• Pomocne jest pewne Python doświadczenie w programowaniu.
• Doświadczenie w pracy z wierszem poleceń.

Publiczność

• Inżynierowie zajmujący się nauką o danych.
• DevOps inżynierów zainteresowanych wdrażaniem modeli uczenia maszynowego.
• Inżynierowie infrastruktury zainteresowani wdrażaniem modeli uczenia maszynowego.
• Inżynierowie oprogramowania, którzy chcą zintegrować i wdrożyć funkcje uczenia maszynowego w swojej aplikacji.

Kubeflow to framework do uruchamiania obciążeń uczenia maszynowego na Kubernetes. TensorFlow to biblioteka uczenia maszynowego, a Kubernetes to platforma orkiestracji do zarządzania aplikacjami kontenerowymi.

To prowadzone przez instruktora szkolenie na żywo (online lub na miejscu) jest przeznaczone dla inżynierów, którzy chcą wdrożyć Machine Learning obciążenia na serwerze AWS EC2.

Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zainstaluj i skonfiguruj Kubernetes, Kubeflow i inne potrzebne oprogramowanie na AWS.
• Wykorzystanie usługi EKS (Elastic Kubernetes Service) do uproszczenia procesu inicjalizacji klastra Kubernetes na platformie AWS.
• Tworzenie i wdrażanie potoku Kubernetes do automatyzacji i zarządzania modelami ML w produkcji.
• Trenowanie i wdrażanie TensorFlow modeli ML na wielu GPU i maszynach działających równolegle.
• Wykorzystanie innych zarządzanych usług AWS do rozszerzenia aplikacji ML.

Format kursu

• Interaktywny wykład i dyskusja.
• Dużo ćwiczeń i praktyki.
• Praktyczne wdrożenie w środowisku live-lab.

Opcje dostosowywania kursu

• Aby zamówić niestandardowe szkolenie dla tego kursu, skontaktuj się z nami.

Wprowadzenie

• Kubeflow on AWS vs lokalnie vs u innych dostawców chmury publicznej

Przegląd funkcji i architektury Kubeflow

Aktywacja konta AWS

Przygotowanie i uruchomienie instancji AWS z włączoną obsługą GPU

Konfigurowanie ról i uprawnień użytkowników

Przygotowanie środowiska kompilacji

Wybór TensorFlow modelu i zestawu danych

Pakowanie kodu i frameworków do Docker obrazu

Konfigurowanie klastra Kubernetes przy użyciu EKS

Inscenizacja danych szkoleniowych i walidacyjnych

Konfigurowanie Kubeflow Potoków

Uruchamianie zadania treningowego przy użyciu Kubeflow w EKS

Wizualizacja zadania treningowego w czasie wykonywania

Sprzątanie po zakończeniu pracy

Rozwiązywanie problemów

Podsumowanie i wnioski