Programa do Curso
Introdução
- Kubeflow no GCK vs no local vs noutros fornecedores de serviços de nuvem pública
Visão geral das características de Kubeflow no GCP
- Gestão declarativa de recursos
- Escalonamento automático do GKE para cargas de trabalho de aprendizado de máquina (ML)
- Conexões seguras com o Jupyter
- Registos persistentes para depuração e resolução de problemas
- GPUs e TPUs para acelerar as cargas de trabalho
Visão geral da configuração do ambiente
- Preparação da máquina virtual
- Kubernetes configuração do cluster
- Instalação do Kubeflow
Implantação Kubeflow
- Implantação Kubeflow on GCP
- Implementar o Kubeflow em ambientes locais e na nuvem
- Implementar o Kubeflow no GKE
- Configurar um domínio personalizado no GKE
Pipelines no GCP
- Configurar um pipeline Kubeflow de ponta a ponta
- Personalizar Kubeflow pipelines
Proteger um cluster Kubeflow
- Configurar a autenticação e a autorização
- Utilizar controlos de serviço VPC e GKE privado
Armazenar, Accessing, Gerir dados
- Compreender os sistemas de ficheiros partilhados e o Network Attached Storage (NAS)
- Utilizar serviços de armazenamento de ficheiros geridos no GCE
Executar um trabalho de formação ML
- Treinar um modelo MNIST
Administração Kubeflow
- Registo e monitorização
Resolução de problemas
Resumo e conclusão
Requisitos
- Compreensão dos conceitos de aprendizagem automática.
- Conhecimento dos conceitos de computação em nuvem.
- Um entendimento geral de contêineres (Docker) e orquestração (Kubernetes).
- Alguma experiência de programação Python é útil.
- Experiência de trabalho com uma linha de comando.
Público
- Engenheiros de ciência de dados.
- DevOps engenheiros interessados na implantação de modelos de aprendizado de máquina.
- Engenheiros de infraestrutura interessados na implantação de modelos de aprendizado de máquina.
- Engenheiros de software que desejam automatizar a integração e a implantação de recursos de aprendizado de máquina com seu aplicativo.
Declaração de Clientes (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Curso - 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.