Introduction to Kubeflow
Il corso “Introduction to Kubeflow” fornisce una guida completa all’installazione, all’utilizzo e alla personalizzazione di Kubeflow, un framework open-source progettato per semplificare lo sviluppo, l’addestramento e la distribuzione di modelli di Machine Learning su Kubernetes. Durante il corso, gli studenti saranno introdotti ai concetti di base di Kubeflow e al processo di installazione in un cluster Kubernetes. Successivamente, saranno guidati nell’interazione con il server Notebook di Kubeflow per lo sviluppo e l’esecuzione di modelli di apprendimento automatico. Il corso tratterà anche la creazione di immagini personalizzate per l’esecuzione di modelli su Kubeflow e l’uso di KServe per il deployment dei modelli negli ambienti di produzione.
Inoltre, gli studenti esploreranno la Discovery Pipeline e gli esperimenti per gestire il flusso di lavoro del Machine Learning e ottimizzare gli iperparametri. Il corso culminerà con una dimostrazione pratica sulla personalizzazione della dashboard di Kubeflow e sulla gestione dell’intero ciclo di vita di ML e MLOps. In sintesi, “Introduzione a Kubeflow” offre agli studenti una panoramica approfondita delle capacità e delle funzionalità di Kubeflow, preparandoli a utilizzare questo potente strumento per implementare e gestire progetti di Machine Learning su Kubernetes.
CODE: DSAI202
Category: Corso Intelligenza Artificiale
Metodologia didattica
Il corso prevede laboratori didattici in cui ogni studente potrà svolgere esercizi di formazione che forniranno esperienza pratica nell’uso dello strumento, per ognuno degli argomenti trattati durante il corso.
Prerequisiti
- Conoscenza di base dei concetti di containerizzazione, in particolare di Docker.
- Familiarità con l’ambiente di sviluppo Linux/Unix e la linea di comando.
- Esperienza nel provisioning e nella gestione di risorse cloud, come Google Cloud Platform o Kubernetes.
- Conoscenza dei fondamenti di Machine Learning e dei concetti di sviluppo e distribuzione di modelli di Machine Learning (MLOps).
- Familiarità con Python e con l’ecosistema delle librerie di Machine Learning.
La seguente è una panoramica dei contenuti del corso:
- Installazione di Kubeflow: Configurazione di Kubeflow, un framework open-source progettato per semplificare lo sviluppo, l’addestramento e la distribuzione di modelli di apprendimento automatico su cluster Kubernetes.
- Workbenches: Esplorazione dei workbench all’interno di Kubeflow, che forniscono ambienti per varie attività come l’esplorazione dei dati, lo sviluppo di modelli e la sperimentazione.
- Immagini personalizzate: Creare e utilizzare immagini Docker personalizzate per l’esecuzione di modelli di apprendimento automatico su Kubeflow, consentendo flessibilità e personalizzazione.
- KServe: Introduzione a KServe, un server nativo di Kubernetes per l’inferenza dell’apprendimento automatico, che consente una distribuzione scalabile e affidabile dei modelli negli ambienti di produzione.
- Pipeline: Comprendere e utilizzare le Pipeline di Kubeflow per costruire e gestire flussi di lavoro end-to-end di apprendimento automatico, facilitando l’automazione e la riproducibilità .
- AutoML: esplorazione delle funzionalità AutoML di Kubeflow, che automatizzano il processo di selezione dei modelli, la messa a punto degli iperparametri e l’ingegnerizzazione delle caratteristiche.
- Esplora Dashboard: Navigare e personalizzare la dashboard di Kubeflow per visualizzare e monitorare gli esperimenti di apprendimento automatico, i modelli e le risorse.
- Concetti di MLOps: Approfondimento dei concetti di Machine Learning Operations (MLOps), con particolare attenzione alle migliori pratiche per la gestione dell’intero ciclo di vita dell’apprendimento automatico, incluso lo sviluppo, la distribuzione e il monitoraggio.
Al termine del corso, i partecipanti saranno in grado di:
- Installare e configurare Kubeflow.
- Interagire con il server notebook.
- Creare e utilizzare immagini personalizzate.
- Sperimentare con KServe.
- Utilizzare la pipeline di scoperta e gli esperimenti.
- Ottimizzare gli iperparametri.
- Personalizzare la dashboard
- Comprendere i concetti fondamentali di Machine Learning (ML) e MLOps (Machine Learning Operations).
Durata – 1 giorno
Erogazione – in aula, in loco, da remoto
Requisiti PC e SW:
- Connessione a Internet
- Browser web, Google Chrome
- Zoom
Lingua
- Istruttore: Italiano
- Laboratori: Inglese
- Slides: Inglese