Kubeflow Fundamentals

• Znajomość składni Python
• Doświadczenie z Tensorflow, PyTorch lub innym frameworkiem uczenia maszynowego
• Konto dostawcy chmury publicznej (opcjonalnie)

Publiczność

• Programiści
• Naukowcy zajmujący się danymi

Kubeflow to zestaw narzędzi umożliwiający łatwe, przenośne i skalowalne Machine Learning (ML) na Kubernetes.

Szkolenie na żywo prowadzone przez instruktora (na miejscu lub zdalnie) jest przeznaczone dla programistów i naukowców zajmujących się danymi, którzy chcą budować, wdrażać i zarządzać przepływami pracy uczenia maszynowego w Kubernetes.

Pod koniec tego szkolenia uczestnicy będą mogli

• Zainstalować i skonfigurować Kubeflow na miejscu i w chmurze.
• Budować, wdrażać i zarządzać przepływami pracy ML w oparciu o kontenery Docker i Kubernetes.
• Uruchamiać całe potoki uczenia maszynowego w różnych architekturach i środowiskach chmurowych.
• Używanie Kubeflow do tworzenia i zarządzania notatnikami Jupyter.
• Tworzenie szkoleń ML, dostrajanie hiperparametrów i obsługiwanie obciążeń na wielu platformach.

Format kursu

• Interaktywny wykład i dyskusja.
• Wiele ćwiczeń i praktyki.
• Praktyczne wdrożenie w środowisku laboratorium na żywo.

Opcje dostosowywania kursu

• Aby poprosić o spersonalizowane szkolenie dla tego kursu, skontaktuj się z nami.
• Aby dowiedzieć się więcej o Kubeflow, odwiedź: https://github.com/kubeflow/kubeflow

Wprowadzenie

Przegląd funkcji i komponentów Kubeflow

• Kontenery, manifesty itp.

Przegląd potoku Machine Learning

• Szkolenie, testowanie, dostrajanie, wdrażanie itp.

Wdrażanie Kubeflow w klastrze Kubernetes

• Przygotowanie środowiska wykonawczego (klaster szkoleniowy, klaster produkcyjny itp.)
• Pobieranie, instalowanie i dostosowywanie.

Uruchamianie potoku Machine Learning na klastrze Kubernetes

• Tworzenie potoku TensorFlow.
• Tworzenie potoku PyTorch.

Wizualizacja wyników

• Eksportowanie i wizualizowanie metryk potoku

Dostosowywanie środowiska wykonawczego

• Dostosowywanie stosu do różnych infrastruktur
• Aktualizacja wdrożenia Kubeflow

Uruchamianie Kubeflow w chmurach publicznych

• AWS, Microsoft Azure, Google Cloud Platform

Zarządzanie produkcyjnymi przepływami pracy

• Uruchamianie przy użyciu metodologii GitOps
• Planowanie zadań
• Tworzenie notatników Jupyter

Rozwiązywanie problemów

Podsumowanie i wnioski