名古屋のKubeflowトレーニング

Kubeflow は、Kubernetes 上で機械学習のワークロードを構築、トレーニング、デプロイするためのオープンソースプラットフォームです。

このインストラクター主導のライブトレーニング（オンラインまたはオンサイト）は、Kubeflow を使用して信頼性の高い ML ワークロードを構築したい初心者から中級レベルのプロフェッショナルを対象としています。

このトレーニングを修了すると、受講者は以下のスキルを習得します：

• Kubeflow エコシステムと主要コンポーネントの概要を理解する。
• Kubeflow Pipelines を使用して再現可能なワークフローを構築する。
• Kubernetes 上でスケーラブルなトレーニングジョブを実行する。
• Kubeflow Serving を使用して機械学習モデルを効率的にサービングする。

コース形式

• ガイド付きプレゼンテーションと協調的な議論。
• 実際の Kubeflow コンポーネントを使用したハンズオンラボ。
• 端から端までの ML ワークロードを構築する実践的な演習。

コースのカスタマイズオプション

• このトレーニングのカスタマイズされたバージョンは、チームのテクノロジースタックとプロジェクト要件に合わせて調整できます。

この講師主導のライブトレーニング（オンラインまたはオンサイト）は、開発者とデータサイエンティスト向けに設計されており、Kubernetes上で機械学習ワークフローを構築、デプロイ、管理する方法を学ぶことができます。

このトレーニングの終了時には、参加者は以下のことができるようになります：

• AWS EKS（Elastic Kubernetes Service）を使用してオンプレミスおよびクラウド上でKubeflowをインストールおよび設定します。
• DockerコンテナとKubernetesに基づいたMLワークフローを構築、デプロイ、管理します。
• さまざまなアーキテクチャとクラウド環境で機械学習パイプライン全体を実行します。
• Kubeflowを使用してJupyterノートブックを生成および管理します。
• 複数のプラットフォーム間でMLトレーニング、ハイパーパラメータチューニング、サービスワークロードを構築します。

この講師主導のライブトレーニング（オンラインまたはオンサイト）では、エンジニアが AWS EC2 サーバー上に機械学習のワークロードをデプロイする方法を学びます。

このトレーニング終了時には、参加者は以下のことができるようになります：

• AWS 上で Kubernetes、Kubeflow およびその他の必要なソフトウェアをインストールおよび構成します。
• EKS (Elastic Kubernetes Service) を使用して AWS 上での Kubernetes クラスターの初期化作業を簡素化します。
• 製品環境で ML モデルの自動化と管理に使用される Kubernetes パイプラインを作成およびデプロイします。
• 並列実行する複数の GPU およびマシン上で TensorFlow の ML モデルをトレーニングしてデプロイします。
• 他の AWS 管理サービスを利用して ML アプリケーションを拡張します。

この講師主導の実践トレーニング（オンラインまたはオンサイト）では、エンジニアが Azure クラウドに Machine Learning のワークロードをデプロイすることを目指します。

このトレーニングの終了時には、参加者は以下のことをできるようになります：

• Azure 上で Kubernetes、Kubeflow およびその他の必要なソフトウェアをインストールおよび設定する。
• Azure Kubernetes Service (AKS) を使用して Azure 上の Kubernetes クラスタの初期化作業を簡素化する。
• プロダクションで ML モデルを自動化および管理するための Kubernetes パイプラインを作成およびデプロイする。
• 複数の GPU と並列に動作するマシン上で TensorFlow ML モデルをトレーニングおよびデプロイする。
• 他の AWS 管理サービスを使用して ML アプリケーションを拡張する。

このインストラクター主導のライブトレーニング（オンラインまたはオンサイト）は、Kubernetes上で機械学習ワークフローを構築、展開、管理したい開発者とデータサイエンティストを対象としています。

このトレーニングの終了時には、参加者は以下のことをできるようになります：

• オンプレミスとクラウドでKubeflowをインストールおよび設定する。
• DockerコンテナとKubernetesに基づくMLワークフローを構築、展開、管理する。
• 異なるアーキテクチャとクラウド環境上で全体的な機械学習パイプラインを実行する。
• Kubeflowを使用してJupyterノートブックを生成および管理する。
• 複数のプラットフォームでMLトレーニング、ハイパーパラメータ調整、サービングワークロードを構築する。