Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Introduction
Aperçu des fonctionnalités et des composants de Kubeflow
- Conteneurs, manifests, etc.
Aperçu d'un pipeline de machine learning
- Entraînement, test, réajustement, déploiement, etc.
Déploiement de Kubeflow sur un cluster Kubernetes
- Préparation de l'environnement d'exécution (cluster d'entraînement, cluster de production, etc.)
- Téléchargement, installation et personnalisation.
Exécution d'un pipeline de machine learning sur Kubernetes
- Création d'un pipeline TensorFlow.
- Création d'un pipeline PyTorch.
Visualisation des résultats
- Exportation et visualisation des métriques du pipeline
Personnalisation de l'environnement d'exécution
- Personnalisation de la pile pour des infrastructures variées
- Mise à niveau d'un déploiement Kubeflow
Exécution de Kubeflow sur des clouds publics
- AWS, Microsoft Azure, Google Cloud Platform
Gestion des flux de travail de production
- Exécution avec la méthodologie GitOps
- Planification des jobs
- Génération de notebooks Jupyter
Dépannage
Résumé et conclusion
Pré requis
- Connaissance de la syntaxe Python
- Expérience avec TensorFlow, PyTorch ou un autre framework de machine learning
- Un compte auprès d'un fournisseur de cloud public (optionnel)
Public cible
- Développeurs
- Data scientists
28 Heures
