Szkolenie dostępne na zamówienie

Produkcyjne wdrażanie potoków przetwarzania AI/machine learning na Kubernetes

W trakcie szkolenia "Produkcyjne wdrażanie potoków przetwarzania AI/machine learning na Kubernetes" dowiesz się jak przekształcić trudny w utrzymaniu kod trenujący modele Machine Learning/AI z Jupyter Notebooków do wydajnych i skalowalnych potoków przetwarzania ML/AI uruchamianych na Kubernetes.

3350 PLN+23% VAT (4120 PLN brutto / 1 os.)

Czas trwania szkolenia:4 dni (32h)

Poziom zaawansowania:

Kod kursu:ML/KUBERNETES

machine-learningkubernetesai

Dostępne terminy

  • Termin
  • Trener
  • Cena
  • Zapis
  • Lokalizacja
Brak dostępnych terminów

Forma szkolenia

Interesuje Cię szkolenie stacjonarne?

Dostępne terminy

Interesują Cię inne terminy?

Produkcyjne wdrażanie potoków przetwarzania AI/machine learning na Kubernetes

Cele szkolenia

  • Zrozumienie procesu przekształcania notebooka Jupyter w skalowalne rozwiązanie produkcyjne

  • Nauka konteneryzacji skryptów ML przy użyciu Dockera

  • Poznanie podstawowych narzędzi do uruchamiania zadań na Kubernetesie

  • Poznanie problemów związanych z uruchamianiem potoków przetwarzania ML na Kubernetesie

  • Opanowanie podstaw Apache Airflow w zakresie orkiestracji potoków przetwarzania ML


Dla kogo?

  • Data Scientists oraz inżynierowie ML chcący nauczyć się wdrażania skalowalnych potoków przetwarzania ML/AI

  • Programiści rozpoczynający swoją przygodę z DevOps lub zainteresowani inżynierską stroną AI/ML

  • Programiści z doświadczeniem w Kubernetes, chcący poszerzyć swoją wiedzę o aspekty wdrożeń potoków przetwarzania AI/ML


Zalety

  • Praktyczne podejście do produkcyjnego wdrażania potoków przetwarzania ML/AI - dużo zadań i minimum niezbędnej teorii

  • Skupienie na rzeczywistych scenariuszach z użyciem Kubernetes i Apache Airflow

  • Ekspozycja na techniki skalowania i zrównoleglania potoków przetwarzania ML/AI

  • Warszaty przeprowadzone w formie pełnego projektu od początku do końca - od Notebooka, przez refaktoryzację, dockeryzację, aż po uruchomienie na Kubernetes


Wymagania

  • Szkolenie nie jest kierowane dla osób początkujących - wymagane co najmniej 2 letnie doświadczenie programistyczne

  • Podstawowa znajomość koncepcji machine learning

  • Dobra znajomość języka programowania Python

  • Dobra znajomość środowiska Linux, w szczególności pracy linii poleceń

  • Znajomość składni YAML

  • Znajomość podstawowych koncepcji Kubernetes będzie atutem, ale nie jest wymagana


W cenie otrzymasz:

  • Materiały szkoleniowe

  • Certyfikat ukończenia szkolenia

  • W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki

Program

Pobierz program w PDF

Wprowadzenie i konfiguracja

  • Przegląd kursu i jego celów

  • Wprowadzenie do istniejącego notebooka Jupyter i jego komponentów

  • Konfiguracja środowiska

Od Notebook'a do Skryptu

  • Przekształcenie notebooka Jupyter w skrypt Python

  • Testowanie i walidacja przekształconego skryptu

Wprowadzenie do Docker

  • Podstawy Docker: obrazy, kontenery i rejestry

  • Tworzenie Dockerfile dla skryptu ML

  • Budowanie i testowanie obrazów Docker

  • Uruchamianie skryptu ML wewnątrz kontenera Docker

Wprowadzenie do Kubernetes

  • Podstawy Kubernetes: architektura i komponenty

  • Obiekty w Kubernetes: Namespace, Pod, Deployment, Job, Cron Job, ConfigMaps, Secrets

  • Uruchamianie skryptu ML na Kubernetesie za pomocą zasobu Job

  • Uruchamianie zaplanowanego skryptu ML za pomocą Cron Job

Zarządzanie danymi w Kubernetes

  • Wolumeny Kubernetes

  • Magazynowanie obiektowe MinIO/S3

  • Obsługa configuracji haseł i sekretów w Kubernetes

  • Integracja skryptu ML z MinIO/S3 do zapisywania i pobierania danych

Orkiestracja potoków przetwarzania ML na Kubernetesie z użyciem Airflow

  • Wprowadzenie do Apache Airflow: koncepcje i architektura

  • Konfiguracja Apache Airflow na Kubernetesie

  • Przekształcanie skryptu ML w modułowe komponenty

  • Tworzenie DAG Airflow z modularnego skryptu

  • Skalowanie i równoległość zadań ML w Airflow

  • Wprowadzenie do KubernetesPodOperator

  • Monitorowanie i rozwiązywanie problemów z zadaniami Airflow na Kubernetesie

Automatyzacja (CI/CD)

  • Automatyzacja budowania obrazów Dockerowych

  • Ciągłe wdrażanie potoków przetwarzania ML/AI na Kubernetes

Podobne szkolenia