Plan du cours

Introduction

  • Kubeflow on AWS vs sur site vs sur d'autres fournisseurs de cloud public

Aperçu des caractéristiques et de l'architecture de Kubeflow

Activation d'un compte AWS

Préparation et lancement d'instances AWS compatibles GPU

Configuration des rôles et des autorisations des utilisateurs

Préparation de l'environnement de construction

Sélection d'un TensorFlow modèle et d'un ensemble de données

Emballer le code et les cadres dans une image Docker

Mise en place d'une grappe Kubernetes à l'aide d'EKS

Mise en scène des données de formation et de validation

Configuration de Kubeflow pipelines

Lancement d'un travail de formation à l'aide de Kubeflow dans l'EKS

Visualisation du travail de formation en cours d'exécution

Nettoyage après l'achèvement des travaux

Dépannage

Résumé et conclusion

Pré requis

  • Une compréhension des concepts d'apprentissage automatique.
  • Une connaissance des concepts de l'informatique en nuage.
  • Une compréhension générale des conteneurs (Docker) et de l'orchestration (Kubernetes).
  • Une certaine expérience de la programmation Python est utile.
  • Expérience du travail en ligne de commande.

Audience

  • Ingénieurs en science des données.
  • DevOps ingénieurs intéressés par le déploiement de modèles d'apprentissage automatique.
  • Ingénieurs en infrastructure intéressés par le déploiement de modèles d'apprentissage automatique.
  • Ingénieurs en logiciel souhaitant intégrer et déployer des fonctionnalités d'apprentissage automatique dans leur application.
  28 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