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.
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.