Schulungsübersicht
Einführung
Überblick über Kubeflow Funktionen und Komponenten
- Container, Manifeste, etc.
Überblick über eine Machine Learning Pipeline
- Trainieren, Testen, Abstimmen, Bereitstellen, usw.
Bereitstellen von Kubeflow auf einem Kubernetes Cluster
- Vorbereitung der Ausführungsumgebung (Trainingscluster, Produktionscluster, etc.)
- Herunterladen, Installieren und Anpassen.
Ausführen einer Machine Learning Pipeline auf Kubernetes
- Aufbau einer TensorFlow-Pipeline.
- Erstellen einer PyTorch-Pipeline.
Visualisierung der Ergebnisse
- Exportieren und Visualisieren von Pipeline-Metriken
Anpassen der Ausführungsumgebung
- Anpassen des Stacks für verschiedene Infrastrukturen
- Aktualisieren eines Kubeflow-Einsatzes
Ausführen von Kubeflow in öffentlichen Clouds
- AWS, Microsoft Azure, Google Cloud Platform
Verwalten von Produktions-Workflows
- Ausführen mit GitOps-Methodik
- Planen von Aufträgen
- Erstellen von Jupyter-Notizbüchern
Fehlersuche
Zusammenfassung und Schlussfolgerung
Voraussetzungen
- Vertrautheit mit der Python-Syntax
- Erfahrung mit Tensorflow, PyTorch oder einem anderen Framework für maschinelles Lernen
- Ein Konto bei einem öffentlichen Cloud-Anbieter (optional)
Zielgruppe
- Entwickler
- Datenwissenschaftler
Erfahrungsberichte (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.