Kursplan
Införandet
- Introduktion till Kubernetes
- Översikt över Kubeflow funktioner och arkitektur
- Kubeflow på AWS vs on-premise vs på andra offentliga molnleverantörer
Konfigurera ett kluster med AWS EKS
Konfigurera ett lokalt kluster med Microk8s
Distribuera Kubernetes med hjälp av en GitOps-metod
Metoder för datalagring
Skapa en Kubeflow pipeline
Utlösa en pipeline
Definiera utdataartefakter
Lagra metadata för datauppsättningar och modeller
Justering av hyperparametrar med TensorFlow
Visualisering och analys av resultaten
Multi-GPU Utbildning
Skapa en inferensserver för distribution av ML-modeller
Arbeta med JupyterHub
Networking och lastbalansering
Automatisk skalning av ett Kubernetes-kluster
Felsökning
Sammanfattning och slutsats
Krav
- Bekantskap med Python-syntax
- Erfarenhet av Tensorflow, PyTorch eller andra ramverk för maskininlärning
- Ett AWS-konto med nödvändiga resurser
Publik
- Utvecklare
- Dataforskare
Vittnesmål (1)
I enjoyed participating in the Kubeflow training, which was held remotely. This training allowed me to consolidate my knowledge for AWS services, K8s, all the devOps tools around Kubeflow which are the necessary bases to properly tackle the subject. I wanted to thank Malawski Marcin for his patience and professionalism for training and advice on best practices. Malawski approaches the subject from different angles, different deployment tools Ansible, EKS kubectl, Terraform. Now I am definitely convinced that I am going into the right field of application.