Plan du cours
Introduction
- Introduction à Kubernetes
- Aperçu des fonctionnalités et de l'architecture de Kubeflow
- Kubernetes Kubeflow sur AWS vs sur site vs sur d'autres fournisseurs de cloud public
Mise en place d'un cluster avec AWS EKS
Mise en place d'un cluster sur site à l'aide de Microk8s
Déployer Kubernetes avec une approche GitOps
Approches en matière de stockage des données
Création d'un Kubeflow pipeline
Déclenchement d'un pipeline
Définition des produits de sortie
Stockage des métadonnées pour les ensembles de données et les modèles
Optimisation des hyperparamètres avec TensorFlow
Visualisation et analyse des résultats
Multi-GPU Formation
Création d'un serveur d'inférence pour le déploiement de modèles ML
Travailler avec JupyterHub
Networking et l'équilibrage de la charge
Mise à l'échelle automatique d'un Kubernetes cluster
Dépannage
Résumé et conclusion
Pré requis
- Familiarité avec la syntaxe Python
- Expérience avec Tensorflow, PyTorch, ou tout autre framework d'apprentissage automatique .
- Un compte AWS avec les ressources nécessaires
Audience
- Développeurs
- Data scientists
Nos Clients témoignent (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.