PARTIE 01 Introduction à l'apprentissage automatique

Chapitre 1 : Concepts de base de l'apprentissage automatique

1.1 Description du chapitre et comment utiliser les chapitres

1.2 Notions de base de l'apprentissage automatique
1.2.1 Régression linéaire
1.2.2 Expansion dimensionnelle (régression linéaire multivariée)
1.2.3 Régression logistique
1.2.4 Régression Softmax

1.3 Autres concepts et conseils utiles
1.3.1 Taux d'apprentissage
1.3.2 Normalisation par lots
1.3.3 Surapprentissage
1.3.4 À propos de l'apprentissage profond

Chapitre 02 Exercices d'analyse d'images utilisant l'apprentissage profond

2.1 Description du chapitre et aperçu des exercices

2.2 Mise en place de l'environnement de développement

2.2.1 Description de Google Colaboratory
2.2.2 Installation de Colab
2.2.3 Paramètres de l'environnement Colab
2.2.4 Installation de Python et Keras

2.3 Préparation de l'ensemble de données et construction du modèle CNN
2.3.1 Montage de Google Drive
2.3.2 Préparation de l'ensemble de données d'entraînement et prétraitement des images
2.3.3 Construction d'un modèle CNN
2.3.4 Entraînement sur l'ensemble de données

2.4 Transfert d'apprentissage
2.4.1 Application du concept et du modèle d'apprentissage par transfert
2.4.2 Application du code d'apprentissage par transfert

PARTIE 02 : La boîte à outils d'apprentissage automatique de Kubernetes ! Kubeflow !

Chapitre 01 kubeflow

1.1 Flux de travail ML
1.1.1 Qu'est-ce qu'un flux de travail ML ?
1.1.2 Étape d'expérimentation sur modèle
1.1.3 Étape de production du modèle
1.1.4 Outils de flux de travail ML

1.2 Kubeflow
1.2.1 kubeflow ?
1.2.2 Composants Kubeflow pour le flux de travail ML
1.2.3 Interface utilisateur (UI) de Kubeflow
1.2.4 API et SDK
1.2.5 Composants Kubeflow
Politique de version de Kubeflow 1.2.6

1.3 Kubernetes
1.3.0 Préface
1.3.1 L'ère du développement des conteneurs
1.3.2 Qu'est-ce que Kubernetes ?
1.3.3 Architecture Kubernetes
1.3.4 Objets et contrôleurs
1.3.5 Modèles d'objets
1.3.6 Étiquettes, sélecteurs et annotations
1.3.7 Entrée
Carte de configuration 1.3.8
1.3.9 Secret
1.3.10 Authentification et autorisation

1.4 Installation de Kubeflow
1.4.1 Exigences d'installation
1.4.2 Installation de Kubernetes
1.4.3 Registre Docker privé
1.4.4 chiens de 9e classe
1.4.5 kfctl
1.4.6 Plateforme de distribution
1.4.7 Installation de Cubeflow standard
Installez la version 1.4.8 de DEX
Profil 1.4.9
1.4.10 Supprimé

Chapitre 02 Composants Kubeflow

2.0 Introduction
2.1 Tableau de bord
2.1.1 Vue d'ensemble
2.1.2 Accès local au tableau de bord

2.2 Serveurs d'ordinateurs portables
2.2.1 Vue d'ensemble
2.2.2 Création d'un carnet
2.2.3 Vérification des ressources Kubernetes
2.2.4 Création d'une image personnalisée
2.2.5 Dépannage

2.3 Carénage
2.3.1 Introduction
2.3.2 Architecture
2.3.3 Installation de l'appairage
2.3.4 Paramètres d'appairage
2.3.5 configuration du carénage
2.3.6 Préprocesseur
2.3.7 Constructeur
2.3.8 Déploiement
2.3.9 Config.run
2.3.10 Config.fn
2.3.11 fairing.ml_tasks

2,4 Katib
2.4.1 Introduction
2.4.2 Hyperparamètres et optimisation des hyperparamètres
2.4.3 Exploration de l'architecture neuronale
2.4.4 Architecture
2.4.5 Expérience
2.4.6 Algorithme de recherche
2.4.7 Collecteur métrique
2.4.8 Composants
2.4.9 Interface utilisateur Web Cativ
2.4.10 API REST
2.4.11 Interfaces en ligne de commande
2.4.12 Installation autonome de Catib

2.5 Pipeline
2.5.1 Introduction
2.5.2 Pipeline
2.5.3 Architecture
2.5.3 Composants
2.5.4 Graphique
2.5.5 Exécution, Exécution récurrente
2.5.6 Déclencheur d'exécution
Étape 2.5.7
2.5.8 Expérience
2.5.9 Artefact de sortie
2.5.10 Interface de pipeline
2.5.11 Installation par pipeline uniquement
2.5.12 Installation du SDK Pipeline
2.5.13 Explorez le package PipelineSDK
2.5.14 Création d'un pipeline avec le SDK
Composant Python léger 2.5.15
2.5.16 Paramètre (PipelineParam)
2.5.17 Matrice
2.5.18 Composants de ressources Kubernetes

2.6 Entraînement des modèles d'apprentissage automatique
2.6.1 TFJob
2.6.2 PyTorchJob
2.6.3 MXJob (MXNet)
2.6.4 MPIJob
2.6.5 ChainerJob

2.7 Modèles de service
2.7.1 Vue d'ensemble
2.7.2 KFServing
2.7.3 Service d'inférence
2.7.4 Seldon Servir

2.8 Métadonnées
2.8.1 Vue d'ensemble
2.8.2 Installation
Kit de développement logiciel 2.8.3
2.8.4 Interface utilisateur Web des métadonnées
2.8.5 Observateur

Chapitre 03 : Cubeflow pratique

3.1 Formation Mnist avec carénage
3.1.1 Provisionnement des ordinateurs portables
3.1.2 Mode de course mnist
3.1.3 Transformation du poste de responsable de la mode en poste de maquilleur
3.1.4 Exécution d'une tâche
3.1.5 Maintenant que je l'ai attrapé, je pense que je peux le jeter.

3.2 Optimisation des hyperparamètres avec Catib
3.2.1 Modifier le style Mnist pour pouvoir lancer un travail de katib
3.2.2 Création d'un CRD d'expérience Catib
3.2.3 Exécution d'une tâche Katib dans un notebook Jupyter
3.2.4 Analyse du graphique de l'essai Catib

3.3 Création d'un serveur de modèle d'inférence
3.3.1 Préparation du modèle
3.3.2 Configuration d'un serveur de modèle d'inférence à l'aide de KFServing
3.3.3 Test du modèle d'inférence

3.4 Création d'un flux de travail ML avec des pipelines
3.4.1 Raccordement du volume à un pipeline
3.4.2 Ajout continu de données au stockage à l'aide d'exécutions récurrentes
3.4.3 Parcours de formation au service

3.5 Optimisation Caltech101
3.5.0 Vue d'ensemble
3.5.1 Premier appariement
3.5.2 Paramètres métriques pour Catib
3.5.3 Katib Soumettre !
3.5.4 Analyse des graphiques d'essai
3.5.5 Exécution d'une expérience Kartib sur un ordinateur portable
3.5.6 Encapsulation des exécutions d'expériences dans le processus d'appariement
3.5.7 Exécution d'expériences dans un pipeline
3.5.8 Vérification des résultats Catib