Plan du cours

Introduction

Vue d'ensemble des fonctionnalités et des composants Kubeflow

  • Conteneurs, manifestes, etc.

Vue d'ensemble d'un Machine Learning pipeline

  • Formation, test, réglage, déploiement, etc.

Déploiement de Kubeflow sur un cluster Kubernetes

  • Préparation de l'environnement d'exécution (cluster de formation, cluster de production, etc.)
  • Téléchargement, installation et personnalisation.

Exécution d'un pipeline Machine Learning sur Kubernetes

  • Construire un pipeline TensorFlow.
  • Construction d'un pipeline PyTorch.

Visualisation des résultats

  • Exporter et visualiser les métriques du pipeline

Personnaliser l'environnement d'exécution

  • Personnaliser la pile pour diverses infrastructures
  • Mise à jour d'un déploiement Kubeflow

Exécution de Kubeflow sur des clouds publics

  • AWS, Microsoft Azure, Google Cloud Platform

Gérer les flux de production

  • Exécuter avec la méthodologie GitOps
  • Planification des tâches
  • Création de carnets Jupyter

Résolution des problèmes

Résumé et conclusion

Pré requis

  • Familiarité avec la syntaxe Python.
  • Expérience avec Tensorflow, PyTorch, ou tout autre cadre d'apprentissage automatique
  • Un compte de fournisseur de cloud public (facultatif)

Public

  • Développeurs
  • Scientifiques des données
 28 Heures

Nombre de participants


Prix ​​par Participant

Nos clients témoignent (2)

Cours à venir

Catégories Similaires