Cet atelier vous expliquera comment Git fonctionne et vous entraînera à l’utiliser sur la ligne de commande. Vous apprendrez comment les commandes Git fonctionnent et comment les utiliser sur de nombreux petits exercices.

Cela va commencer avec un ensemble de commandes communes simples, et quelques concepts simples. Ensuite, au cours de l’atelier, il abordera des ensembles de commandes de plus en plus importants et des concepts de plus en plus avancés.

Pré-requis :

Il est préférable de venir à cet atelier avec un ordinateur portable où Git est déjà installé.

C’est un vrai changeur de jeu pour l’activité de base de données, alors rejoignez-nous pour découvrir les bases de MongoDB.

Dans cet atelier, vous découvrirez beaucoup de choses sur MongoDB:

– Modélisation JSON,

– CRUD

– Import / export

– Index

– Cadre d’agrégation

– Pilote MongoDB

– Jeu de réplicas

– Cluster Sharded

– MongoDB Atlas

– MongoDB Compass

– Change Stream

Pré-requis

Notions de base de sécurité la connaissance est requise.

Apporter votre ordinateur portable

Ce TP vous guidera à travers les concepts de base de la plateforme : à partir d’une application de démonstration, apprenez comment configurer la charge de travail, déployez la nouvelle version, acheminez le trafic et étudiez les problèmes.

Le but du lab est d’avoir des mains sur les kubernetes, de manipuler des concepts de base tels que le module, le déploiement, la configuration, les services (étiquettes et mécanisme de sélecteur), les points de terminaison, le travail.

A partir d’une application pré-installée, nous allons guider les utilisateurs dans différents cas d’utilisation, depuis la configuration de l’application et le déploiement jusqu’à l’investigation.

Ce lab pourrait être considéré comme une séance d’apprentissage par la pratique. Les ordinateurs portables des participants seront utilisés pour se connecter à une instance de kubernetes préparée.

Les concepts de base suivants seront décrits et manipulés : Configuration du conteneur Pod de déploiement Volumes Probes Étiquettes des services ConfigMap et point de terminaison du sélecteur.

Pré-requis :

Les participants devront se connecter avec leur propre ordinateur portable et devront se connecter au wifi.

Le lab se déroulera en ligne sur un cluster kubernetes préprovisionné.

L’apprentissage en profondeur a récemment conduit à des percées phénoménales dans une myriade de tâches pratiques d’apprentissage automatique, telles que le défi de la classification ImageNet et le jeu Go. Pourtant, de nombreux ingénieurs et chercheurs sont en quête de compréhension mathématique et théorique qui vise à percer à travers les mystères qui expliquent clairement comment cela fonctionne si bien dans la réussite empirique, notamment pour exploiter les logiciels open-source et affiner l’architecture profonde du réseau neuronal. Ce tutoriel passera en revue les travaux récents qui visent à fournir une justification mathématique pour les propriétés de classes spéciales de réseaux profonds, tels que l’optimalité globale, l’invariance et la stabilité des représentations apprises. L’avant-dernier objectif est d’être capable de comprendre la force et les inconvénients des outils open source existants.

Cette conférence est composée d’une introduction générale sur DNN et de trois parties techniques. Chaque partie comprend une discussion formelle sur un concept mathématique et quelques travaux pratiques avec Python pour se familiariser avec ce concept. Une pause de 10 minutes aura lieu entre la partie 1 et la partie 2.

1- Introduction (20 minutes) – Cet exposé introductif résume brièvement le succès récent des architectures profondes et des principaux frameworks open-source pour l’exécution de réseaux de neurones d’apprentissage en profondeur. Il utilise les résultats récents pour motiver les questions théoriques suivantes: – Comment faire face au défi que le problème d’apprentissage est non-convexe? – Quelle est l’importance de « deep » et « convolutional » dans les architectures CNN? – Quelles propriétés statistiques des intrants sont capturées / exploitées par les réseaux profonds? – Comment pouvons-nous ajouter de la robustesse à l’apprentissage du réseau?

2- Partie 1 – Optimisation Globale en Apprentissage Profond (présentation 20 minutes + travaux pratiques 30 minutes): L’un des défis dans la formation des réseaux profonds est que le problème d’optimisation associé est non-convexe et donc qu’une bonne initialisation serait essentielle . Les chercheurs ont abordé ce problème en utilisant différentes stratégies d’initialisation ad-hoc ou brute force, qui conduisent souvent à des solutions locales très différentes pour les poids de réseau. Néanmoins, ces solutions locales donnent à peu près les mêmes résultats. Cette conférence présentera une analyse mathématique qui aborde la difficulté de trouver l’optimum global dans la formation des réseaux profonds.

3- Partie 2 – Théorie de la structure des données pour l’apprentissage en profondeur (présentation 20 minutes + travaux pratiques 30 minutes): L’un des arguments avancés pour le succès des réseaux profonds est que les architectures profondes peuvent mieux capter les propriétés invariantes des objets d’entrée. Alors qu’une analyse mathématique des raisons pour lesquelles cela est le cas reste difficile à trouver, des progrès récents ont commencé à éclaircir cette question pour certaines sous-catégories de réseaux profonds. Les réseaux de diffusion sont une classe de réseaux convolutifs dont le succès repose sur la capacité de préserver des informations discriminantes tout en générant une stabilité vis-à-vis des déformations de grande dimension.

4- Partie 3 – Erreur de généralisation (présentation 20 minutes + travaux pratiques 30 minutes): Cette partie se concentrera sur la théorie basée sur la structure des données pour l’apprentissage en profondeur et discutera de deux développements récents. Nous étudions d’abord l’erreur de généralisation du réseau neuronal profond, y compris une discussion sur le fait de tromper un réseau neuronal profond. Tromper un DDN consiste à produire des images totalement méconnaissables aux yeux humains que les DNN classent comme des objets familiers. Ensuite, nous verrons comment l’apprentissage en profondeur peut éviter la malédiction de la dimensionnalité pour certaines classes de fonctions. La malédiction de la dimensionnalité signifie que le nombre de paramètres dans les réseaux de neurones peut être exponentiellement élevé dans certains cas.

• Elasticsearch qui fait le boulot principal d’analyser et chercher dans de grands volumes de données.
• Logstash comme ETL pour extraire et enrichir.
• Beats comme agent léger de collecte.
• Kibana comme outil de visualisation.

Cet atelier vous donnera un aperçu des possibilités offertes par ces 4 outils, comment ils interagissent ensemble et surtout comment ils peuvent vous aider à résoudre vos problèmes !

Pré-requis :

Les pré-requis sont décrits sur cette page: https://xeraa.github.io/vagrant-elastic-stack/

Il est absolument nécessaire que les participants aient réussi à exécuter les instructions de cette page avant de pouvoir joindre le workshop.