Plan du cours

Introduction

  • Introduction à Kubernetes
  • Aperçu des caractéristiques et de l'architecture de Kubeflow Kubeflow sur AWS vs sur site vs sur d'autres fournisseurs de cloud public
  • Kubeflow sur AWS vs sur site vs sur d'autres fournisseurs de cloud public

Mise en place d'un cluster avec AWS EKS

Mise en place d'un cluster sur site avec Microk8s

Déploiement Kubernetes avec une approche GitOps

Approches de stockage de données

Création d'un Kubeflow pipeline

Déclenchement d'un pipeline

Définir les artefacts de sortie

Stockage des métadonnées pour les ensembles de données et les modèles

Optimisation des hyperparamètres avec TensorFlow (en anglais)

Visualisation et analyse des résultats

Entraînement multi-GPU

Créer un serveur d'inférence pour déployer des modèles de ML

Travailler avec JupyterHub

Networking et l'équilibrage de la charge

Mise à l'échelle automatique d'un cluster Kubernetes

Résolution des problèmes

Résumé et conclusion

Pré requis

  • Familiarité avec la syntaxe Python.
  • Expérience avec Tensorflow, PyTorch, ou autre framework d'apprentissage automatique
  • Un compte AWS avec les ressources nécessaires

Audience

  • Développeurs
  • Scientifiques des données
 35 Heures

Nombre de participants


Prix ​​par Participant

Nos clients témoignent (1)

Cours à venir

Catégories Similaires