Kursplan
Införandet
Översikt över Kubeflow Funktioner och komponenter
- Behållare, manifest osv.
Översikt över en Machine Learning pipeline
- Träning, testning, justering, distribution osv.
Distribuera Kubeflow till ett Kubernetes-kluster
- Förbereda körningsmiljön (träningskluster, produktionskluster osv.)
- Ladda ner, installera och anpassa.
Köra en Machine Learning pipeline på Kubernetes
- Bygga en TensorFlow pipeline.
- Bygga en PyTorch pipleline.
Visualisera resultaten
- Exportera och visualisera pipelinemått
Anpassa körningsmiljön
- Anpassa stacken för olika infrastrukturer
- Uppgradera en Kubeflow distribution
Körs Kubeflow på offentliga moln
- AWS, Microsoft Azure, Google Cloud Platform
Hantera produktionsarbetsflöden
- Köra med GitOps-metodik
- Schemaläggning av jobb
- Skapande Jupyter Notebooks
Felsökning
Sammanfattning och slutsats
Krav
- Kunskaper om syntaxen Python
- Erfarenhet av Tensorflow, PyTorch eller annat ramverk för maskininlärning
- Ett konto hos en offentlig molnleverantör (valfritt)
Publik
- Utvecklare
- Datavetare
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.