Kursplan

Införandet

  • Kubeflow på GCK vs on-premise vs på andra offentliga molnleverantörer

Översikt över Kubeflow Funktioner på GCP

  • Deklarativ hantering av resurser
  • GKE-autoskalning för arbetsbelastningar för maskininlärning (ML)
  • Säkra anslutningar till Jupyter
  • Beständiga loggar för felsökning och felsökning
  • GPUs och TPU:er för att påskynda arbetsbelastningar

Översikt över miljöinställningar

  • Förberedelse av virtuell dator
  • Kubernetes Konfiguration av kluster
  • Kubeflow Installation

Distribuera Kubeflow

  • Distribuera  Kubeflow på GCP
  • Distribuera Kubeflow i lokala miljöer och molnmiljöer
  • Distribuera Kubeflow på GKE
  • Konfigurera en anpassad domän på GKE

Pipelines på GCP

  • Konfigurera en pipeline från slutpunkt till slutpunkt Kubeflow
  • Anpassa Kubeflow pipelines

Skydda ett Kubeflow-kluster

  • Konfigurera autentisering och auktorisering
  • Använda VPC-tjänstkontroller och privat GKE

Lagra, Accessing, hantera data

  • Så här fungerar delade filsystem och nätverksansluten lagring (NAS)
  • Använda hanterade fillagringstjänster i GCE

Köra ett ML-träningsjobb

  • Träna en MNIST-modell

Administrera Kubeflow

  • Loggning och övervakning

Felsökning

Sammanfattning och slutsats

Krav

  • En förståelse för maskininlärningskoncept.
  • Kunskaper om cloud computing-koncept.
  • En allmän förståelse för containrar (Docker) och orkestrering (Kubernetes).
  • Viss Python programmeringserfarenhet är till hjälp.
  • Erfarenhet av att arbeta med en kommandorad.

Publik

  • Datavetenskapliga ingenjörer.
  • DevOps ingenjörer som är intressanta för implementering av maskininlärningsmodeller.
  • Infrastrukturingenjörer som är intressanta för implementering av maskininlärningsmodeller.
  • Mjukvaruingenjörer som vill automatisera integrationen och driftsättningen av maskininlärningsfunktioner med sin applikation.
 28 timmar

Antal deltagare


Price per participant

Open Training Courses require 5+ participants.

Vittnesmål (2)

the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose

Guillaume GAUTIER - OLEA MEDICAL
Kurs - MLflow

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.

Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life™
Kurs - Kubeflow

Upcoming Courses

Relaterade Kurser

MLflow

 21 timmar

Denna instruktörsledda, liveutbildning (online eller på plats) riktar sig till datavetare som vill gå längre än att bygga ML-modeller och optimera skapandet, spårningen och distributionsprocessen för ML-modeller.

I slutet av denna utbildning kommer deltagarna att kunna:

  • Installera och konfigurera MLflow och relaterade ML-bibliotek och ramverk.
  • Uppskatta vikten av spårbarhet, reproducerbarhet och distribuerbarhet av en ML-modell
  • Distribuera ML-modeller till olika offentliga moln, plattformar eller lokala servrar.
  • Skala ML-distributionsprocessen så att den rymmer flera användare som samarbetar i ett projekt.
  • Konfigurera ett centralt register för att experimentera med, återskapa och distribuera ML-modeller.
LÄS MER...

Kubeflow on AWS

 28 timmar

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till ingenjörer som vill distribuera Machine Learning arbetsbelastningar till en AWS EC2-server.

I slutet av denna utbildning kommer deltagarna att kunna:

  • Installera och konfigurera Kubernetes, Kubeflow och annan nödvändig programvara på AWS.
  • Använd EKS (Elastic Kubernetes Service) för att förenkla arbetet med att initiera ett Kubernetes-kluster på AWS.
  • Skapa och distribuera en Kubernetes-pipeline för automatisering och hantering av ML-modeller i produktion.
  • Träna och distribuera TensorFlow ML-modeller över flera GPU:er och maskiner som körs parallellt.
  • Utnyttja andra AWS-hanterade tjänster för att utöka en ML-applikation.
LÄS MER...

Kubeflow on Azure

 28 timmar

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till ingenjörer som vill distribuera Machine Learning arbetsbelastningar till Azure-molnet.

I slutet av denna utbildning kommer deltagarna att kunna:

  • Installera och konfigurera Kubernetes, Kubeflow och annan nödvändig programvara på Azure.
  • Använd Azure Kubernetes Service (AKS) för att förenkla arbetet med att initiera ett Kubernetes-kluster på Azure.
  • Skapa och distribuera en Kubernetes-pipeline för automatisering och hantering av ML-modeller i produktion.
  • Träna och distribuera TensorFlow ML-modeller över flera GPU:er och maskiner som körs parallellt.
  • Utnyttja andra AWS-hanterade tjänster för att utöka en ML-applikation.
LÄS MER...

Kubeflow on IBM Cloud

 28 timmar

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till ingenjörer som vill distribuera Machine Learning arbetsbelastningar till IBM Cloud Kubernetes Service (IKS).

I slutet av denna utbildning kommer deltagarna att kunna:

  • Installera och konfigurera Kubernetes, Kubeflow och annan nödvändig programvara på IBM Cloud Kubernetes Service (IKS).
  • Använd IKS för att förenkla arbetet med att initiera ett Kubernetes-kluster på IBM Cloud.
  • Skapa och distribuera en Kubernetes-pipeline för automatisering och hantering av ML-modeller i produktion.
  • Träna och distribuera TensorFlow ML-modeller över flera GPU:er och maskiner som körs parallellt.
  • Utnyttja andra IBM Cloud-tjänster för att utöka en ML-applikation.
LÄS MER...

MLOps: CI/CD for Machine Learning

 35 timmar

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till ingenjörer som vill utvärdera de metoder och verktyg som finns tillgängliga idag för att fatta ett intelligent beslut om vägen framåt för att införa MLOps inom sin organisation.

I slutet av denna utbildning kommer deltagarna att kunna:

  • Installera och konfigurera olika MLOps ramverk och verktyg.
  • Sätt ihop rätt typ av team med rätt kompetens för att konstruera och stödja ett MLOps system.
  • Förbereda, validera och versionshantera data för användning av ML-modeller.
  • Förstå komponenterna i en ML Pipeline och de verktyg som behövs för att skapa en.
  • Experimentera med olika ramverk för maskininlärning och servrar för distribution till produktion.
  • Operationalisera hela Machine Learning-processen så att den kan återskapas och underhållas.
LÄS MER...

MLOps for Azure Machine Learning

 14 timmar

Denna instruktörsledda, liveutbildning (online eller på plats) riktar sig till maskininlärningsingenjörer som vill använda Azure Machine Learning och Azure DevOps för att underlätta MLOps metoder.

I slutet av denna utbildning kommer deltagarna att kunna:

  • Skapa reproducerbara arbetsflöden och maskininlärningsmodeller.
  • Hantera livscykeln för maskininlärning.
  • Spåra och rapportera modellens versionshistorik, tillgångar med mera.
  • Distribuera produktionsklara maskininlärningsmodeller var som helst.
LÄS MER...

Kubeflow

 35 timmar

Den här instruktörsledda, liveutbildningen i Sverige (online eller på plats) riktar sig till utvecklare och datavetare som vill skapa, distribuera och hantera arbetsflöden för maskininlärning på Kubernetes.

I slutet av denna utbildning kommer deltagarna att kunna:

  • Installera och konfigurera Kubeflow på plats och i molnet med hjälp av AWS EKS (Elastic Kubernetes Service).
  • Skapa, distribuera och hantera ML-arbetsflöden baserat på Docker containrar och Kubernetes.
  • Kör hela pipelines för maskininlärning på olika arkitekturer och molnmiljöer.
  • Använda Kubeflow för att skapa och hantera Jupyter Notebooks.
  • Skapa ML-träning, justering av hyperparametrar och hantering av arbetsbelastningar på flera plattformar.
LÄS MER...

Kubeflow Fundamentals

 28 timmar

Den här instruktörsledda, liveutbildningen i Sverige (online eller på plats) riktar sig till utvecklare och datavetare som vill skapa, distribuera och hantera arbetsflöden för maskininlärning på Kubernetes.

I slutet av denna utbildning kommer deltagarna att kunna:

  • Installera och konfigurera Kubeflow lokalt och i molnet.
  • Skapa, distribuera och hantera ML-arbetsflöden baserat på Docker containrar och Kubernetes.
  • Kör hela pipelines för maskininlärning på olika arkitekturer och molnmiljöer.
  • Använda Kubeflow för att skapa och hantera Jupyter Notebooks.
  • Skapa ML-träning, justering av hyperparametrar och hantering av arbetsbelastningar på flera plattformar.
LÄS MER...

Kubeflow on OpenShift

 28 timmar

Denna instruktörsledda, liveutbildning (online eller på plats) riktar sig till ingenjörer som vill distribuera Machine Learning arbetsbelastningar till ett OpenShift lokalt eller hybridmoln.

  • I slutet av denna utbildning kommer deltagarna att kunna:
  • Installera och konfigurera Kubernetes och Kubeflow på ett OpenShift-kluster.
  • Använd OpenShift för att förenkla arbetet med att initiera ett Kubernetes-kluster.
  • Skapa och distribuera en Kubernetes pipeline för att automatisera och hantera ML-modeller i produktion.
  • Träna och distribuera TensorFlow ML-modeller över flera GPUs och datorer som körs parallellt.
  • Anropa offentliga molntjänster (t.ex. AWS-tjänster) inifrån OpenShift för att utöka ett ML-program.
LÄS MER...

Relaterade Kategorier

Image for Kubeflow category
Kubeflow
Image for MLOps category
MLOps