Maschinelles Lernen auf Kubernetes mit Kubeflow - Seminar / Kurs von GFU Cyrus AG
Inhalte
- Einführung in Kubernetes und Kubeflow
- Einführung in Kubernetes und Container-Orchestrierung
- Warum Kubeflow? Überblick über die Vorteile von Kubeflow für ML-Workflows
- Installation und Konfiguration von Kubernetes für Kubeflow
- Installation und Konfiguration von Kubeflow auf einem Kubernetes-Cluster
- Verwendung von Jupyter Notebooks mit Kubeflow
- Hands-on: Erste Schritte mit Kubeflow - Ausführen einfacher Jobs und Notebooks
- Kubeflow Pipelines und Workflow-Definitionen
- Einführung in Kubeflow Pipelines: Grundlegende Konzepte und Funktionen
- Erstellen und Ausführen von Pipelines in Kubeflow
- Komponenten von Kubeflow Pipelines: DSL, Arbeiter und Kontrollschleifen
- Hands-on: Erstellen und Ausführen eines ML-Workflows mit Kubeflow Pipelines
- Fortgeschrittene Workflow-Anpassungen: Parameter, Schleifen und Konditionen
- Hands-on: Erweiterter Workflow - Hyperparameter-Optimierung mit Katib
- Modell-Training und -Deployment
- Modell-Training in Kubeflow mit TensorFlow und PyTorch
- Verwendung von Kubeflow für verteiltes Training und Model Tuning
- Einführung in das Modell-Deployment mit Kubeflow und Kubernetes
- Implementierung von Model Serving mit Kubeflow und Seldon
- Hands-on: Modell-Training und Deployment in Kubeflow
- Überwachung und Skalierung von ML-Modellen in Produktion mit Kubeflow
- Fortgeschrittene Themen und Best Practices
- Verwalten und Überwachen von ML-Experimenten mit Kubeflow Experimenten
- Arbeiten mit Daten in Kubeflow: Datenpipelines und Data Versioning
- Sicherheit in Kubeflow: Benutzerzugriffssteuerung und Datenschutz
- Multi-Cluster-Kubeflow: Skalierung über mehrere Kubernetes-Cluster hinweg
- Anwendungsbeispiele und Use Cases von Kubeflow in der Praxis
- Best Practices für effizientes und zuverlässiges Maschinelles Lernen mit Kubeflow
- Einführung in Kubernetes und Kubeflow
- Einführung in Kubernetes und Container-Orchestrierung
- Warum Kubeflow? Überblick über die Vorteile von Kubeflow für ML-Workflows
- Installation und Konfigurati ...
Lernziele
Das Seminar soll ihnen zeigen, wie sie ML-Workflows mithilfe von Kubeflow skalierbar und effizient gestalten können. Dadurch können sie ihre ML-Infrastruktur verbessern und die Produktivität ihrer Datenwissenschaftler und Entwickler steigern. Zudem erhalten sie Best Practices für den Einsatz von Kubernetes und Kubeflow, um Ressourcen besser zu verwalten und Kosten zu optimieren. Die Schulung fördert auch die Zusammenarbeit zwischen den Teams, da wiederverwendbare Komponenten und Code-Definitionen ermöglicht werden.
Das Seminar soll ihnen zeigen, wie sie ML-Workflows mithilfe von Kubeflow skalierbar und effizient gestalten können. Dadurch können sie ihre ML-Infrastruktur verbessern und die Produktivitä ... Mehr Informationen >>
Zielgruppen
- Datenwissenschaftler und ML-Ingenieure: Datenwissenschaftler, die für das Entwerfen, Trainieren und Evaluieren von ML-Modellen verantwortlich sind, sowie ML-Ingenieure, die sich auf die Implementierung von ML-Systemen in der Produktion konzentrieren.
- Softwareentwickler und DevOps-Teams: Softwareentwickler und DevOps-Teams, die für die Bereitstellung und Verwaltung von Kubernetes-Clustern und Infrastrukturen verantwortlich sind, die für die Ausführung von ML-Workflows erforderlich sind.
- Systemadministratoren und IT-Infrastrukturteams: Systemadministratoren und IT-Infrastrukturteams, die die Kubernetes- und Kubeflow-Umgebung verwalten und sicherstellen müssen, dass sie ordnungsgemäß funktioniert.
- Datenmanager und Dateninfrastrukturteams: Datenmanager und Dateninfrastrukturteams, die für die Bereitstellung und Verwaltung von Datenpipelines und -speicherung verantwortlich sind, die von den ML-Workflows genutzt werden.
- Datenwissenschaftler und ML-Ingenieure: Datenwissenschaftler, die für das Entwerfen, Trainieren und Evaluieren von ML-Modellen verantwortlich sind, sowie ML-Ingenieure, die sich auf die Implementieru ...