План на курса
Въведение
- Kubeflow на GCK срещу локални срещу други обществени облачни доставчици
Преглед на Kubeflow функции на GCP
- Декларативно управление на ресурсите Автоматично мащабиране на GKE за натоварвания на машинно обучение (ML) Сигурни връзки към Jupyter Постоянни регистрационни файлове за отстраняване на грешки и отстраняване на неизправности GPU и TPU за ускоряване на натоварванията
Преглед на настройката на средата
- Подготовка на виртуална машина Kubernetes настройка на клъстер инсталация Kubeflow
Внедряване Kubeflow
- Внедряване Kubeflow on GCP Внедряване на Kubeflow в локални и облачни среди Внедряване на Kubeflow на GKE Настройване на потребителски домейн на GKE
Тръбопроводи на GCP
- Настройване на конвейер от край до край Kubeflow Персонализиране на Kubeflow конвейери
Осигуряване на Kubeflow клъстер
- Настройване на удостоверяване и оторизация Използване на контроли за услуги на VPC и частен GKE
Съхраняване, Accessинг, управление на данни
- Разбиране на споделени файлови системи и мрежово съхранение (NAS) Използване на управлявани услуги за съхранение на файлове в GCE
Изпълнение на работа за обучение по ML
- Обучение на модел MNIST
Администриране Kubeflow
- Записване и наблюдение
Отстраняване на неизправности
Обобщение и заключение
Изисквания
- Разбиране на концепциите за машинно обучение.
- Познаване на концепциите за облачни изчисления.
- Общо разбиране за контейнери (Docker) и оркестрация (Kubernetes).
- Известен Python опит в програмирането е полезен.
- Опит при работа с команден ред.
Публика
- Инженери по наука за данни.
- DevOps инженери, които се интересуват от внедряването на модел за машинно обучение.
- Инфраструктурните инженери се интересуват от внедряването на модели за машинно обучение.
- Софтуерни инженери, желаещи да автоматизират интегрирането и внедряването на функции за машинно обучение със своето приложение.
Oтзиви от потребители (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Course - 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.