Kubeflow on Azure

• 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 zautomatyzować integrację i wdrażanie funkcji uczenia maszynowego w swojej aplikacji.

Kubeflow to framework do uruchamiania obciążeń uczenia maszynowego na Kubernetes. TensorFlow jest jedną z najpopularniejszych bibliotek uczenia maszynowego. Kubernetes to platforma orkiestracji do zarządzania aplikacjami kontenerowymi.

To prowadzone przez instruktora szkolenie na żywo (w trybie online lub na miejscu) jest przeznaczone dla inżynierów, którzy chcą wdrożyć Machine Learning obciążenia w chmurze Azure.

Po zakończeniu tego szkolenia uczestnicy będą w stanie

• Zainstaluj i skonfiguruj Kubernetes, Kubeflow i inne potrzebne oprogramowanie na platformie Azure.
• Korzystanie z usługi Azure Kubernetes Service (AKS) w celu uproszczenia inicjalizacji klastra Kubernetes na platformie Azure.
• Tworzenie i wdrażanie potoku Kubernetes do automatyzacji i zarządzania modelami ML w środowisku produkcyjnym.
• Trenowanie i wdrażanie TensorFlow modeli ML na wielu GPU i maszynach działających równolegle.
• Wykorzystanie innych usług zarządzanych przez 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 Azure vs lokalnie vs u innych dostawców chmury publicznej

Przegląd funkcji i architektury Kubeflow

Przegląd procesu wdrażania

Aktywacja konta Azure

Przygotowywanie i uruchamianie maszyn wirtualnych z 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 AKS

Inscenizacja danych szkoleniowych i walidacyjnych

Konfigurowanie Kubeflow Potoków

Rozpoczęcie pracy szkoleniowej.

Wizualizacja zadania szkoleniowego w czasie wykonywania

Sprzątanie po zakończeniu pracy

Rozwiązywanie problemów

Podsumowanie i wnioski