در این دوره آموزشی، شما یاد خواهید گرفت که چگونه با استفاده از Kubeflow، فرآیندهای یادگیری ماشینی مقیاسپذیر، تولیدی و مقیاسپذیر را با استفاده از Kubeflow بسازید.
ساختن درجه تولید، گردش کار یادگیری ماشینی مقیاس پذیر، کاری پیچیده و زمان بر است. در این دوره آموزشی، ساختن گردشهای کار یادگیری ماشینی پایان به انتها با Kubeflow 1، یاد میگیرید که از Kubeflow استفاده کنید و کشف کنید که چگونه میتواند دانشمندان داده و مهندسان یادگیری ماشین را قادر به ایجاد گردشهای کار یادگیری ماشینی سرتاسر و انجام آزمایشهای سریع کند. ابتدا، شما به انجام آموزشهای توزیع شده در مقیاس بزرگ میپردازید. در مرحله بعد، تنظیم هایپرپارامتر، نسخهسازی مدل، سرویس دهی مدل بدون سرور و عرضه قناری را بررسی خواهید کرد. در نهایت، نحوه ساخت p0i0p0e0l0i0n0s قابل تکرار با استفاده از اجزای مختلف Kubeflow، مانند سرور نوت بوک، فیرینگ، ابرداده، katib و Kubeflow pipelines را یاد خواهید گرفت. پس از اتمام دوره، میتوانید گردشهای کاری سرتاسری برای پروژههای یادگیری ماشینی و یادگیری عمیق خود ایجاد کنید.
نمونه ویدیوی آموزشی ( زیرنویسها جدا از ویدیو است و میتوانید آنرا نمایش ندهید ) :
[ENGLISH]
01 Course Overview [4mins]
01-01 Course Overview [2mins]
01-02 Course Overview [2mins]
02 Introduction [15mins]
02-01 Version Check [0mins]
02-02 Course Introduction [5mins]
02-03 Kubeflow Overview [4mins]
02-04 Course Structure [3mins]
02-05 Fashion-MNIST Use Case Overview [3mins]
03 Setting up Kubeflow Environment [30mins]
03-01 Introduction [1mins]
03-02 Overview [1mins]
03-03 Kubeflow Deployment Options [2mins]
03-04 Setup Kubeflow on GCP [4mins]
03-05 Demo: Setup Kubeflow Prerequisites [6mins]
03-06 Demo: Setup OAuth for GCP Cloud IAP [3mins]
03-07 Demo: Setup Kubeflow on GCP [10mins]
03-08 Demo: Clean Kubeflow Environment on GCP [2mins]
03-09 Summary [1mins]
04 Exploring Kubeflow Components [37mins]
04-01 Introduction [2mins]
04-02 Overview [1mins]
04-03 Docker Introduction [7mins]
04-04 Demo: Docker Overview [4mins]
04-05 Why Kubernetes? [2mins]
04-06 Kubernetes Introduction [2mins]
04-07 Kubernetes Core Components [7mins]
04-08 Demo: Kubernetes Overview (Part 1) [5mins]
04-09 Demo: Kubeflow Overview (Part 2) [3mins]
04-10 Demo: Kubeflow Central Dashboard Overview [2mins]
04-11 Summary [2mins]
05 Building Machine Learning Model on Kubeflow [64mins]
05-01 Introduction [1mins]
05-02 Overview [2mins]
05-03 Model Development Process and Challenges [2mins]
05-04 Kubeflow Components for Training [2mins]
05-05 Fashion-MNIST Training Workflow [2mins]
05-06 Kubeflow Notebook [1mins]
05-07 Demo: Setting up Notebook Server with a Pre-built Image [5mins]
05-08 Demo: Setting up Notebook Server with a Custom Image [6mins]
05-09 Deep Learning Model Overview for Fashion-MNIST [4mins]
05-10 Demo: Training in Kubeflow Notebook [8mins]
05-11 Metadata Overview [1mins]
05-12 Demo: Metadata Tracking [3mins]
05-13 Kubeflow Fairing Overview [1mins]
05-14 Demo: Kubeflow Fairing [4mins]
05-15 Distributed Training [2mins]
05-16 Demo: Distributed Training with GPU [4mins]
05-17 Demo: Distributed Training with TFJob [8mins]
05-18 Hyperparameter Tuning with Katib [2mins]
05-19 Demo: Performing Hyperparameter Tuning with Katib [4mins]
05-20 Summary [2mins]
06 Serving Machine Learning Model on Kubeflow [28mins]
06-01 Introduction [1mins]
06-02 Overview [1mins]
06-03 Overview [1mins]
06-04 Model Serving Process and Challenges [3mins]
06-05 Kubeflow Components for Serving [1mins]
06-06 KFServing Overview [1mins]
06-07 Demo: Serving Model Using KFServing [5mins]
06-08 Demo: Pre and Post-processing Using KFServing [4mins]
06-09 Canary Rollout Overview [1mins]
06-10 Demo: Canary Rollout Using KFServing [3mins]
06-11 Demo: Performance Monitoring Using KFServing, Prometheus, and Grafana [3mins]
06-12 Demo: Auto Scaling and Load Testing [2mins]
06-13 Summary [2mins]
07 Build Machine Learning Pipeline Using Kubeflow Pipeline [26mins]
07-01 Introduction [1mins]
07-02 Overview [1mins]
07-03 Machine Learning Workflow Pipeline and Challenges [3mins]
07-04 Kubeflow Components for Building Pipeline [1mins]
07-05 Kubeflow Pipeline Overview [2mins]
07-06 Fashion-MNIST Use Case Pipeline [1mins]
07-07 Demo: Building Kubeflow Pipeline with Hyperparameter Tuning Step [6mins]
07-08 Demo: Adding Training Step to Kubeflow Pipeline [3mins]
07-09 Demo: Adding Serving Step to Kubeflow Pipeline [3mins]
07-10 Demo: Building Kubeflow Pipeline from Notebook [3mins]
07-11 Summary [2mins]
08 What`s Next? [5mins]
08-01 Introduction [1mins]
08-02 Extend Your Kubeflow Journey [4mins]
[فارسی]
01 بررسی اجمالی دوره [4 دقیقه]
01-01 بررسی اجمالی دوره [2 دقیقه]
01-02 بررسی اجمالی دوره [2 دقیقه]
02 مقدمه [15 دقیقه]
02-01 بررسی نسخه [0 دقیقه]
02-02 معرفی دوره [5 دقیقه]
02-03 بررسی اجمالی Kubeflow [4 دقیقه]
02-04 ساختار دوره [3 دقیقه]
02-05 نمای کلی مورد استفاده Fashion-MNIST [3 دقیقه]
03 تنظیم محیط Kubeflow [30 دقیقه]
03-01 مقدمه [1 دقیقه]
03-02 نمای کلی [1 دقیقه]
03-03 گزینههای استقرار Kubeflow [2 دقیقه]
03-04 راه اندازی Kubeflow در GCP [4 دقیقه]
03-05 نسخهی نمایشی- راه اندازی پیش نیازهای Kubeflow [6 دقیقه]
03-06 نسخهی نمایشی- راه اندازی OAuth برای GCP Cloud IAP [3 دقیقه]
03-07 نسخهی نمایشی- راه اندازی Kubeflow در GCP [10 دقیقه]
03-08 نسخهی نمایشی- محیط Kubeflow را در GCP پاک کنید [2 دقیقه]
03-09 خلاصه [1 دقیقه]
04 کاوش در اجزای Kubeflow [37 دقیقه]
04-01 مقدمه [2 دقیقه]
04-02 نمای کلی [1 دقیقه]
04-03 معرفی داکر [7 دقیقه]
04-04 نسخهی نمایشی- نمای کلی داکر [4 دقیقه]
04-05 چرا Kubernetes؟ [2 دقیقه]
04-06 معرفی Kubernetes [2 دقیقه]
04-07 اجزای اصلی Kubernetes [7 دقیقه]
04-08 نسخهی نمایشی- نمای کلی Kubernetes (قسمت 1) [5 دقیقه]
04-09 نسخهی نمایشی- مرور کلی Kubeflow (قسمت 2) [3 دقیقه]
04-10 نسخهی نمایشی- نمای کلی داشبورد مرکزی Kubeflow [2 دقیقه]
04-11 خلاصه [2 دقیقه]
05 ساخت مدل یادگیری ماشین در Kubeflow [64 دقیقه]
05-01 مقدمه [1 دقیقه]
05-02 نمای کلی [2 دقیقه]
05-03 فرآیند توسعه مدل و چالشها [2 دقیقه]
05-04 اجزای Kubeflow برای آموزش [2 دقیقه]
05-05 گردش کار آموزشی Fashion-MNIST [2 دقیقه]
05-06 نوت بوک Kubeflow [1 دقیقه]
05-07 نسخهی نمایشی- راه اندازی سرور نوت بوک با یک تصویر از پیش ساخته شده [5 دقیقه]
05-08 نسخهی نمایشی- راه اندازی سرور نوت بوک با یک تصویر سفارشی [6 دقیقه]
05-09 نمای کلی مدل یادگیری عمیق برای Fashion-MNIST [4 دقیقه]
05-10 نسخهی نمایشی- آموزش در نوت بوک Kubeflow [8 دقیقه]
05-11 نمای کلی فراداده [1 دقیقه]
05-12 نسخهی نمایشی- ردیابی فراداده [3 دقیقه]
05-13 نمای کلی Kubeflow Fairing [1 دقیقه]
05-14 نسخهی نمایشی- Kubeflow Fairing [4 دقیقه]
05-15 آموزش توزیع شده [2 دقیقه]
05-16 نسخهی نمایشی- آموزش توزیع شده با GPU [4 دقیقه]
05-17 نسخهی نمایشی- آموزش توزیع شده با TFJob [8 دقیقه]
05-18 تنظیم فراپارامتر با کاتب [2 دقیقه]
05-19 نسخهی نمایشی- انجام تنظیم Hyperparameter با Katib [4 دقیقه]
05-20 خلاصه [2 دقیقه]
06 ارائه مدل یادگیری ماشین در Kubeflow [28 دقیقه]
06-01 مقدمه [1 دقیقه]
06-02 نمای کلی [1 دقیقه]
06-03 نمای کلی [1 دقیقه]
06-04 فرآیند ارائه مدل و چالشها [3 دقیقه]
06-05 اجزای Kubeflow برای سرو [1 دقیقه]
06-06 نمای کلی KFServing [1 دقیقه]
06-07 نسخه نمایشی- ارائه مدل با استفاده از KFServing [5 دقیقه]
06-08 نسخهی نمایشی- پیش و پس پردازش با استفاده از KFServing [4 دقیقه]
06-09 نمای کلی عرضه Canary [1 دقیقه]
06-10 نسخهی نمایشی- عرضه Canary با استفاده از KFServing [3 دقیقه]
06-11 نسخهی نمایشی- نظارت بر عملکرد با استفاده از KFServing، Prometheus و Grafana [3 دقیقه]
06-12 نسخهی نمایشی- مقیاس خودکار و تست بار [2 دقیقه]
06-13 خلاصه [2 دقیقه]
07 ساخت یادگیری ماشینی Pipeline با استفاده از Kubeflow Pipeline [26 دقیقه]
07-01 مقدمه [1 دقیقه]
07-02 نمای کلی [1 دقیقه]
07-03 گردش کار یادگیری ماشین Pipeline و چالشها [3 دقیقه]
07-04 اجزای Kubeflow برای ساختن Pipeline [1 دقیقه]
07-05 بررسی اجمالی Kubeflow Pipeline [2 دقیقه]
07-06 Fashion-MNIST Use Case Pipeline [1 دقیقه]
07-07 نسخهی نمایشی- ساخت Kubeflow Pipeline با مرحله تنظیم Hyperparameter [6 دقیقه]
07-08 نسخهی نمایشی- افزودن مرحله آموزشی به Kubeflow Pipeline [3 دقیقه]
07-09 نسخهی نمایشی- افزودن مرحله سرویس به Kubeflow Pipeline [3 دقیقه]
07-10 نسخهی نمایشی- ساخت Kubeflow Pipeline از Notebook [3 دقیقه]
07-11 خلاصه [2 دقیقه]
08 بعد چه میشود؟ [5 دقیقه]
08-01 مقدمه [1 دقیقه]
08-02 سفر Kubeflow خود را طولانی کنید [4 دقیقه]
Abhishek Kumar یک مشاور علوم داده، نویسنده، و متخصص توسعه دهندگان گوگل (GDE) در یادگیری ماشین است. او دارای مدرک کارشناسی ارشد از دانشگاه کالیفرنیا، برکلی است و در فهرست "40 دانشمند برتر زیر 40 سال" قرار گرفته است. او همچنین یک سخنران عمومی است و در کنفرانسهای داده برتر در سراسر جهان از جمله Strata Data، کنفرانس هوش مصنوعی، ODSC و Fifth Elephant سخنرانی کرده است. حوزه تمرکز او یادگیری ماشینی و یادگیری عمیق در مقیاس است و همچنین جایزه "Hal Varian" را برای کار خود در زمینه یادگیری عمیق در UC Berkeley دریافت کرده است. آبیشک روی پروژههای مختلف یادگیری ماشین و یادگیری عمیق شامل سیستمهای توصیهکننده، تشخیص تصویر، پیشبینی، بهینهسازی، تشخیص ناهنجاری و پردازش زبان طبیعی کار کرده است.