Návrh Školení

Úvod

    Kubeflow na GCK vs on-premise vs na jiných veřejných poskytovatelích cloudu

Přehled Kubeflow funkcí na GCP

    Deklarativní správa zdrojů Automatické škálování GKE pro pracovní zátěže strojového učení (ML) Zabezpečená připojení k Jupyter Trvalým protokolům pro ladění a odstraňování problémů GPU a TPU pro urychlení pracovní zátěže

Přehled nastavení prostředí

    Příprava virtuálního stroje Kubernetes nastavení clusteru Instalace Kubeflow

Nasazení Kubeflow

    Nasazení Kubeflow on GCP Nasazení Kubeflow v místních a cloudových prostředích Nasazení Kubeflow na GKE Nastavení vlastní domény na GKE

Potrubí na GCP

    Nastavení end-to-end Kubeflow potrubí Přizpůsobení Kubeflow potrubí

Zabezpečení Kubeflow clusteru

    Nastavení ověřování a autorizace Pomocí ovládacích prvků služeb VPC a soukromého GKE

Ukládání, Accessukládání, správa dat

    Porozumění sdíleným souborovým systémům a Network Attached Storage (NAS) Používání služeb spravovaného úložiště souborů v GCE

Vedení školení ML

    Školení modelu MNIST

Správa Kubeflow

    Logování a monitorování

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 zajímající se o nasazení modelu strojového učení.
  • Softwaroví inženýři, kteří chtějí automatizovat integraci a nasazení funkcí strojového učení s jejich aplikací.
  28 hodiny
 

Počet účastníků


Začátek

Konec


Dates are subject to availability and take place between 09:30 and 16:30.
Open Training Courses require 5+ participants.

Reference (2)

Související kurzy

Související kategorie