Prenez contact avec nous

Plan du cours

Introduction

Aperçu des fonctionnalités et composants de Kubeflow

  • Conteneurs, manifests, etc.

Aperçu d'un pipeline de machine learning

  • Formation, test, ajustement, 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 de machine learning sur Kubernetes

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

Visualisation des résultats

  • Exportation et visualisation des métriques du pipeline

Personnalisation de l'environnement d'exécution

  • Personnalisation de la pile technique pour diverses infrastructures
  • Mise à niveau d'un déploiement Kubeflow

Exécution de Kubeflow sur les clouds publics

  • AWS, Microsoft Azure, Google Cloud Platform

Gestion des flux de travail de production

  • Exécution avec la méthodologie GitOps
  • Planification des tâches
  • Génération de notebooks Jupyter

Dépannage

Résumé et conclusion

Pré requis

  • Maîtrise de la syntaxe Python 
  • Expérience avec Tensorflow, PyTorch ou un autre framework de machine learning
  • Un compte chez un fournisseur de cloud public (facultatif) 

Public cible

  • Développeurs
  • Data scientists
 28 Heures

Nombre de participants


Prix par participant

Cours à venir

Catégories Similaires