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
  35 heures
 

Nombre de participants


Début

Fin


Dates are subject to availability and take place between 09:30 and 16:30.
Les formations ouvertes requièrent plus de 3 participants.

Nos Clients témoignent (1)

Cours Similaires

Catégories Similaires