Kubeflow pour le Machine Learning : Configuration et gestion des flux de travail

La gestion du cycle de vie complet des modèles de machine learning peut s'avérer complexe et nécessite des outils robustes pour l'orchestration et le déploiement. Ce cours vous offre une compréhension fondamentale de Kubeflow, vous permettant d'orchestrer et de gérer vos projets de machine learning de la préparation des données jusqu'au déploiement du modèle. Ce que vous apprendrez : * Comprendre les composants principaux et les schémas architecturaux de Kubeflow. * Configurer et déployer un environnement Kubeflow sur un cluster Kubernetes. * Concevoir et mettre en œuvre des pipelines de machine learning de bout en bout en utilisant Kubeflow Pipelines. * Gérer des expériences de ML, suivre les métriques et versionner les modèles au sein de Kubeflow. * Appliquer les principes fondamentaux du MLOps pour des flux de travail de ML évolutifs et reproductibles. * S'entraîner à intégrer des frameworks de ML courants dans des tâches orchestrées par Kubeflow. Le cours commence par la terminologie essentielle et des présentations architecturales, pour progresser vers une configuration pratique et l'application concrète des composants de Kubeflow. Vous apprendrez à construire et à gérer vos propres flux de travail de machine learning à partir de zéro. Ce cours est conçu pour les débutants en opérations de machine learning et les futurs ingénieurs ML qui souhaitent exploiter Kubeflow pour la gestion de leurs projets. Aucune expérience préalable avec Kubeflow n'est requise, bien qu'une compréhension de base des concepts de machine learning et des interfaces en ligne de commande soit utile. Commencez votre parcours pour maîtriser Kubeflow et transformer votre développement en machine learning.