Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Course Outline
Introductie
- Kubeflow op GCK versus on-premise versus op andere openbare cloudproviders
Overzicht van Kubeflow functies op GCP
- Declaratief beheer van middelen
- Automatisch schalen van GKE voor machine learning (ML)-workloads
- Beveiligde verbindingen met Jupyter
- Permanente logboeken voor foutopsporing en probleemoplossing
- GPUs en TPU's om workloads te versnellen
Overzicht van de instellingen van de omgeving
- Voorbereiding van virtuele machines
- Kubernetes Cluster instellen
- Kubeflow Installatie
Implementeren Kubeflow
- Implementeren van Kubeflow op GCP
- Implementatie Kubeflow in on-premises en cloudomgevingen
- Implementeren van Kubeflow op GKE
- Een aangepast domein instellen op GKE
Pijpleidingen op GCP
- Een end-to-end Kubeflow pijplijn opzetten
- Kubeflow pijplijnen aanpassen
Een Kubeflow-cluster beveiligen
- Authenticatie en autorisatie instellen
- VPC-servicebesturingselementen en privé-GKE gebruiken
Gegevens opslaan, Accessen, beheren
- Inzicht in gedeelde bestandssystemen en Network Attached Storage (NAS)
- Beheerde bestandsopslagservices gebruiken in GCE
Een ML-trainingstaak uitvoeren
- Een MNIST-model trainen
Toedienen Kubeflow
- Logging en monitoring
Probleemoplossing
Samenvatting en conclusie
Requirements
- Een goed begrip van machine learning-concepten.
- Kennis van cloud computing-concepten.
- Een algemeen begrip van containers (Docker) en orkestratie (Kubernetes).
- Enige Python programmeerervaring is nuttig.
- Ervaring met het werken met een opdrachtregel.
Publiek
- Datawetenschappers.
- DevOps ingenieurs die geïnteresseerd zijn in de implementatie van machine learning-modellen.
- Infrastructuuringenieurs die interessant zijn in de implementatie van machine learning-modellen.
- Software-ingenieurs die de integratie en implementatie van machine learning-functies met hun applicatie willen automatiseren.
28 Hours
Getuigenissen (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
Cursus - 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.
