コース概要
導入
- Kubeflow GCK 対オンプレミス対他のパブリック クラウド プロバイダー
Kubeflow GCP の機能の概要
- リソースの宣言的管理
- 機械学習(ML)ワークロード向けの GKE 自動スケーリング
- Jupyter への安全な接続
- デバッグとトラブルシューティングのための永続的なログ
- GPU と TPU によるワークロードの高速化
環境設定の概要
- 仮想マシンの準備
- Kubernetes クラスタのセットアップ
- 【2】取り付け
導入中 Kubeflow
- Kubeflow を GCP にデプロイする
- Kubeflow をオンプレミス環境とクラウド環境に展開する
- Kubeflow を GKE にデプロイする
- GKE でのカスタム ドメインの設定
GCP 上のパイプライン
- エンドツーエンド Kubeflow パイプラインのセットアップ
- カスタマイズ Kubeflow パイプライン
Kubeflow クラスターの確保
- 認証と認可の設定
- VPC サービス コントロールとプライベート GKE の使用
データの保存、管理
- 共有ファイルシステムとネットワーク接続ストレージ (NAS) について
- GCE でのマネージド ファイル ストレージ サービスの使用
ML トレーニング ジョブの実行
- MNIST モデルのトレーニング
管理 Kubeflow
- ロギングとモニタリング
トラブルシューティング
要約と結論
要求
- 機械学習の概念を理解していること 。
- クラウドコンピューティングの概念に関する知識 。
- コンテナ(Docker)とオーケストレーション(Kubernetes)の一般的な理解 。
- 何らかのPythonプログラミング経験があると便利です 。
- コマンドラインでの作業経験 。
観客
- データサイエンスエンジニア
- DevOps機械学習モデルのデプロイに興味があるエンジニア 機械学習モデルのデプロイに興味があるインフラエンジニア。
- 機械学習機能のアプリケーションへの統合とデプロイを自動化したいソフトウェアエンジニア 。
お客様の声 (2)
the ML ecosystem not only MLFlow but Optuna, hyperops, docker , docker-compose
Guillaume GAUTIER - OLEA MEDICAL
コース - MLflow
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.