Formation Kubeflow
A l'issue de cette formation, les participants sont en mesure d'utiliser Kubeflow pour déployer un projet Data Science en production.
Proposé par
Sparks
Objectifs pédagogiques
- Configurer un environnement Kubeflow
- Connaître les options de déploiement
- Construire et déployer un modèle de Machine Learning sur Kubeflow
- Créer et exécuter un pipeline ML avec Kubeflow Pipelines
Programme de la formation
Introduction et retour sur les projets Data Science
Présentation générale de cette formation Kubeflow
Les projets IA et Data Science : généralités, parties prenantes, mise en production…
Le cycle de vie du Machine Learning : entraînement, test, tuning…
Déploiement et pratiques MLOps
Les conteneurs, Docker et Kubernetes
Pourquoi utiliser Kubeflow ?
Vue d’ensemble et installation de Kubeflow
Fonctionnalités, composants et architecture
Options de déploiements
Contraintes de sécurité et prérequis infra
Installation et configuration
Prise en main de l’interface utilisateur
Le gestionnaire de notebooks Jupyter
Construction d’un modèle de Machine Learning
Le processus de développement d’un modèle
Les composants Kubeflow pour l’entraînement d’un modèle
Notebooks et images, exemples de mise en œuvre
Metadata
Entraînement distribué
Tuning avec Katib
Serving avec Kubeflow
Présentation de KServe
Prétraitement des données
Mise en production d’un modèle
Monitoring
Kubeflow Pipelines
Qu’est-ce qu’un pipeline ?
Workflow pour le déploiement d’un modèle ML avec Kubeflow Pipelines SDK
Ajouter des étapes d’entraînement et de serving
Conclusion de la formation Kubeflow
Et après ? Comment ancrer les acquis pédagogiques de la formation
Questions/réponses selon les besoins des stagiaires
Proposé par
Sparks
"Tout l'IT, vraiment tout"
Proposé par
Sparks
