Plan du cours

Introduction

Vue d'ensemble des caractéristiques et des composants de Kubeflow.

  • Conteneurs, manifestes, etc.

Vue d'ensemble d'un Machine Learning pipeline

  • Formation, test, réglage, déploiement, etc.

Déploiement de Kubeflow sur un Kubernetes cluster

  • Préparation de l'environnement d'exécution (cluster de formation, cluster de production, etc.)
  • Téléchargement, installation et personnalisation.

Exécution d'un pipeline Machine Learning sur Kubernetes

  • Construire un pipeline TensorFlow.
  • Construire un pipeline PyTorch.

Visualisation des résultats

  • Exportation et visualisation des données relatives au pipeline

Personnalisation de l'environnement d'exécution

  • Personnaliser la pile pour diverses infrastructures
  • Mise à niveau d'un déploiement Kubeflow

Exécution Kubeflow sur des nuages publics

  • AWS, Microsoft Azure, Google Cloud Platform

Gestion des flux de production

  • Exécuter avec la méthodologie GitOps
  • Planification des tâches
  • Création de blocs-notes Jupyter

Dépannage

Résumé et conclusion

Pré requis

  • Familiarité avec la syntaxe Python 
  • Expérience avec Tensorflow, PyTorch, ou autre framework d'apprentissage automatique
  • Un compte de fournisseur de cloud public (facultatif) 

Public

  • Développeurs
  • Data scientists
  28 heures
 

Nombre de participants


Début

Fin


Dates are subject to availability and take place between 09:30 and 16:30.

Prix par participant

Cours Similaires

Catégories Similaires