Plan du cours

Introduction

  • Kubeflow sur GCK vs sur site vs sur d'autres fournisseurs de cloud public

Aperçu des fonctionnalités Kubeflow sur GCP

  • Gestion déclarative des ressources
  • GKE autoscaling pour les charges de travail d'apprentissage automatique (ML)
  • Connexions sécurisées à Jupyter
  • Journaux persistants pour le débogage et le dépannage
  • Des GPUs et des TPU pour accélérer les charges de travail

Aperçu de la configuration de l'environnement

  • Préparation de la machine virtuelle
  • Kubernetes configuration du cluster
  • Installation de Kubeflow

Déploiement Kubeflow

  • Déploiement  ; Kubeflow on GCP
  • Déployer Kubeflow dans des environnements sur site et en nuage
  • Déployer Kubeflow sur GKE
  • Configurer un domaine personnalisé sur GKE

Pipelines sur GCP

  • Mise en place d'un pipeline Kubeflow de bout en bout
  • Personnalisation des pipelines Kubeflow

Sécurisation d'un Kubeflow cluster

  • Configuration de l'authentification et de l'autorisation
  • Utilisation des contrôles de service VPC et GKE privé

Stockage, Accessing, gestion des données

  • Comprendre les systèmes de fichiers partagés et le stockage en réseau (NAS)
  • Utiliser les services de stockage de fichiers gérés dans GCE

Gestion d'un emploi de formation en ML

  • Formation d'un modèle MNIST

Administrer Kubeflow

  • Journalisation et surveillance

Dépannage

Résumé et conclusion

Pré requis

  • Une compréhension des concepts d'apprentissage automatique.
  • Une connaissance des concepts de l'informatique en nuage.
  • Une compréhension générale des conteneurs (Docker) et de l'orchestration (Kubernetes).
  • Une certaine expérience de la programmation Python est utile.
  • Expérience du travail en ligne de commande.

Public

  • Ingénieurs en science des données.
  • DevOps ingénieurs intéressés par le déploiement de modèles d'apprentissage automatique.
  • Ingénieurs en infrastructure intéressés par le déploiement de modèles d'apprentissage automatique.
  • Ingénieurs en logiciel souhaitant automatiser l'intégration et le déploiement de fonctionnalités d'apprentissage automatique avec leur application.
 28 heures

Nombre de participants



Prix par participant

Les formations ouvertes requièrent plus de 3 participants.

Nos Clients témoignent (3)

the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose

Guillaume GAUTIER - OLEA MEDICAL
Formation - MLflow

La qualité des explications, et le nombre important de sujets abordés

Hugo SECHIER - Expleo France
Formation - Kubeflow on AWS

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.

Guillaume Gautier - OLEA MEDICAL | Improved diagnosis for life™
Formation - Kubeflow

Cours Similaires

MLflow

21 heures

Cette formation en direct (en ligne ou sur site) est destinée aux data scientists qui souhaitent aller au-delà de la construction de modèles ML et optimiser le processus de création, de suivi et de déploiement des modèles ML.

A l'issue de cette formation, les participants seront capables de :

  • Installer et configurer MLflow et les bibliothèques et frameworks de ML associés.
  • Apprécier l'importance de la traçabilité, de la reproductibilité et de la déployabilité d'un modèle ML
    • .
  • Déployer des modèles de ML sur différents clouds publics, plateformes ou serveurs sur site.
  • Mettre à l'échelle le processus de déploiement du ML afin d'accueillir plusieurs utilisateurs collaborant à un projet.
  • Mettre en place un registre central pour expérimenter, reproduire et déployer des modèles de ML.
En savoir plus...

MLOps: CI/CD for Machine Learning

35 heures

Cette formation en direct avec instructeur (en ligne ou sur site) s'adresse aux ingénieurs qui souhaitent évaluer les approches et les outils disponibles aujourd'hui afin de prendre une décision intelligente sur la voie à suivre pour adopter MLOps au sein de leur organisation.

A l'issue de cette formation, les participants seront capables de :

  • Installer et configurer divers cadres et outils MLOps.
  • Assembler le bon type d'équipe avec les bonnes compétences pour construire et soutenir un système MLOps.
  • Préparer, valider et modifier les données à utiliser par les modèles de ML.
  • Comprendre les composants d'un pipeline de ML et les outils nécessaires pour en construire un.
  • Expérimenter avec différents frameworks d'apprentissage automatique et serveurs pour le déploiement en production.
  • Opérationnaliser l'ensemble du processus d'apprentissage automatique de manière à ce qu'il soit reproductible et maintenable.
En savoir plus...

Kubeflow on AWS

28 heures

Cette formation en direct avec instructeur (en ligne ou sur site) s'adresse aux ingénieurs qui souhaitent déployer des charges de travail Machine Learning sur un serveur AWS EC2.

A l'issue de cette formation, les participants seront capables de :

  • Installer et configurer Kubernetes, Kubeflow et d'autres logiciels nécessaires sur AWS.
  • Utiliser EKS (Elastic Kubernetes Service) pour simplifier le travail d'initialisation d'un cluster Kubernetes sur AWS.
  • Créer et déployer un pipeline Kubernetes pour automatiser et gérer les modèles ML en production.
  • Entraîner et déployer TensorFlow modèles ML sur plusieurs GPU et machines fonctionnant en parallèle.
  • Mettre à profit d'autres services gérés AWS pour étendre une application ML.
En savoir plus...

Kubeflow on Azure

28 heures

Cette formation en direct avec instructeur (en ligne ou sur site) est destinée aux ingénieurs qui souhaitent déployer des charges de travail Machine Learning dans le nuage Azure.

A l'issue de cette formation, les participants seront capables de :

  • Installer et configurer Kubernetes, Kubeflow et d'autres logiciels nécessaires sur Azure.
  • Utiliser Azure Kubernetes Service (AKS) pour simplifier le travail d'initialisation d'un cluster Kubernetes sur Azure.
  • Créer et déployer un pipeline Kubernetes pour automatiser et gérer les modèles ML en production.
  • Entraîner et déployer TensorFlow modèles ML sur plusieurs GPU et machines fonctionnant en parallèle.
  • Mettre à profit d'autres services gérés AWS pour étendre une application ML.
En savoir plus...

Kubeflow on IBM Cloud

28 heures

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux ingénieurs qui souhaitent déployer des charges de travail Machine Learning sur IBM Cloud Kubernetes Service (IKS).

A l'issue de cette formation, les participants seront capables de :

  • Installer et configurer Kubernetes, Kubeflow et d'autres logiciels nécessaires sur IBM Cloud Kubernetes Service (IKS).
  • Utiliser IKS pour simplifier le travail d'initialisation d'un cluster Kubernetes sur IBM Cloud.
  • Créer et déployer un pipeline Kubernetes pour automatiser et gérer les modèles ML en production.
  • Entraîner et déployer TensorFlow modèles ML sur plusieurs GPU et machines fonctionnant en parallèle.
  • Mettre à profit d'autres services IBM Cloud pour étendre une application ML.
En savoir plus...

Kubeflow

35 heures

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux développeurs et aux scientifiques des données qui souhaitent construire, déployer et gérer des flux de travail d'apprentissage automatique sur Kubernetes.

A l'issue de cette formation, les participants seront capables de :

  • Installer et configurer Kubeflow sur site et dans le cloud à l'aide d'AWS EKS (Elastic Kubernetes Service).
  • Construire, déployer et gérer des flux de travail de ML basés sur des conteneurs Docker et Kubernetes.
  • Exécuter des pipelines d'apprentissage automatique entiers sur diverses architectures et environnements cloud.
  • Utiliser Kubeflow pour créer et gérer des blocs-notes Jupyter.
  • Construire des charges de travail d'entraînement ML, de réglage d'hyperparamètres et de service sur plusieurs plateformes.
En savoir plus...

Kubeflow on OpenShift

28 heures

Cette formation en direct (en ligne ou sur site) est destinée aux ingénieurs qui souhaitent déployer des charges de travail d'apprentissage automatique dans un OpenShift nuage sur site ou hybride.

  • À l'issue de cette formation, les participants seront capables de :
  • Installer et configurer Kubernetes et Kubeflow sur un cluster OpenShift.
  • Utiliser OpenShift pour simplifier le travail d'initialisation d'un cluster Kubernetes.
  • Créer et déployer un pipeline Kubernetes pour automatiser et gérer les modèles ML en production.
  • Entraîner et déployer TensorFlow modèles ML sur plusieurs GPU et machines fonctionnant en parallèle.
  • Appeler des services de cloud public (par exemple, des services AWS) à partir d'OpenShift pour étendre une application ML
    • .
En savoir plus...

Kubeflow Fundamentals

28 heures

Cette formation en <loc> ; (en ligne ou sur site) est destinée aux développeurs et aux scientifiques des données qui souhaitent construire, déployer et gérer des flux de travail d'apprentissage automatique sur Kubernetes.

A l'issue de cette formation, les participants seront capables de :

  • Installer et configurer Kubeflow sur site et dans le cloud.
  • Construire, déployer et gérer des flux de travail de ML basés sur des conteneurs Docker et Kubernetes.
  • Exécuter des pipelines d'apprentissage machine entiers sur diverses architectures et environnements cloud.
  • Utiliser Kubeflow pour engendrer et gérer des carnets Jupyter.
  • Construire des charges de travail d'entraînement ML, de réglage d'hyperparamètres et de service sur plusieurs plateformes.
En savoir plus...

Catégories Similaires

Image for Kubeflow category
Kubeflow
Image for MLOps category
MLOps