Návrh Školení
Úvod
- Kubeflow on Azure vs on-premise vs na jiných veřejných poskytovatelích cloudu
Přehled Kubeflow Funkce a architektura
Přehled procesu nasazení
Aktivace účtu Azure
Příprava a spouštění virtuálních strojů s podporou GPU
Nastavení uživatelských rolí a oprávnění
Příprava prostředí stavby
Výběr TensorFlow modelu a datové sady
Balení kódu a rámců do Docker obrázku
Nastavení Kubernetes Clusteru pomocí AKS
Příprava školicích a ověřovacích dat
Konfigurace Kubeflow Potrubí
Zahájení tréninkové práce.
Vizualizace školicí úlohy za běhu
Čištění po dokončení úlohy
Odstraňování problémů
Shrnutí a závěr
Požadavky
- Pochopení konceptů strojového učení.
- Znalost konceptů cloud computingu.
- Obecná znalost kontejnerů (Docker) a orchestrace (Kubernetes).
- Některé Python zkušenosti s programováním jsou užitečné.
- Zkušenosti s prací s příkazovým řádkem.
Publikum
- Inženýři datové vědy.
- DevOps inženýři zajímající se o nasazení modelu strojového učení.
- Inženýři infrastruktury se zájmem o nasazení modelu strojového učení.
- Softwaroví inženýři, kteří chtějí automatizovat integraci a nasazení funkcí strojového učení s jejich aplikací.
Reference (3)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Kurz - 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.
Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life™
Kurz - Kubeflow
The course, Trainer