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

Vittnesmål (2)

Relaterade Kurser

Relaterade Kategorier