Programa del Curso
Introducción
Descripción general de Kubeflow Características y componentes
- Contenedores, manifiestos, etcétera.
Descripción general de una Machine Learning canalización
- Entrenamiento, pruebas, ajustes, despliegue, etcétera.
Implementación de Kubeflow en un clúster Kubernetes
- Preparación del entorno de ejecución (clúster de formación, clúster de producción, etcétera).
- Descarga, instalación y personalización.
Ejecución de una canalización Machine Learning en Kubernetes
- Construcción de una tubería TensorFlow.
- Construcción de una pipleline PyTorch.
Visualización de los resultados
- Exportación y visualización de métricas de canalización
Personalización del entorno de ejecución
- Personalización de la pila para diversas infraestructuras
- Actualización de una implementación Kubeflow
Ejecución Kubeflow en nubes públicas
- AWS, Microsoft Azure, GoPlataforma en la nube
Gestión de flujos de trabajo de producción
- Ejecución con la metodología GitOps
- Programación de trabajos
- Generación de cuadernos de Jupyter Notebook
Solución de problemas
Resumen y conclusión
Requerimientos
- Familiaridad con la sintaxis Python
- Experiencia con Tensorflow, PyTorch u otro marco de aprendizaje automático
- Una cuenta de proveedor de nube pública (opcional)
Audiencia
- Desarrolladores
- Científicos de datos
Testimonios (1)
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.