Jenkins X – Continuously Driving the Kloud

Cloud schreibt man im Zeitalter von Kubernetes mit K! Alle Ressourcen werden dynamisch von Kubernetes verwaltet. Wirklich alle? Build und Deployment über verschiedene Stages liegen oft noch außerhalb, zum Beispiel in einem Build-Server und verschiedenen Repositories (Artefakte, Docker-Images). Mit Jenkins X wandert alles in einen Kubernetes-Cluster und gewinnt so die nötige Dynamik:

* Set-up der nötigen Infrastruktur in Kubernetes (Jenkins, Nexus, Docker-Registry ...),
* Aufsetzen von Build-Pipelines für jeden Branch und jeden Pull Request,
* Deployment in verschiedene Stages (mit Helm),
* Mandantenfähigkeit (Builds und Environments nach Teams unterscheiden),
* Steuerung von versionierten Deployment-Konfigurationen (GitOps),
* Import von bestehenden Projekten,
* Setup neuer Projekte auf Basis gängiger Microservices-Frameworks (zum Beispiel Spring Boot),
* und vieles andere mehr ...

Jenkins X ist ein entwicklerfreundliches Command-Line-Tool und bündelt eine Vielzahl von Komponenten hinter einer einheitlichen (opinionated) Fassade.

Der Vortrag erklärt die Architektur und Konzepte und führt an ein paar kleinen Beispielen typische Use-Cases vor.

Vorkenntnisse

* Hilfreich sind Vorkenntnisse in Jenkins oder Build-Servern allgemein, Continuous Integration/Delivery, Cloud-Computing bzw. Kubernetes.

Lernziele

* Der Vortrag richtet sich allgemein an Einsteiger, die einen Eindruck bekommen sollen, wie dieser Technologiemix funktioniert.

 

Agenda

ab 8.30 Uhr Registrierung und Begrüßungskaffee

9.30 Uhr Beginn

Intro

Machine Learning

  • Was ist Machine Learning?
  • Der typische ML Workflow
  • Was sind neuronale Netze?
  • Jupyter Lab mit Python
  • Eine Einführung in TensorFlow
  • Keras als High-Level API für TensorFlow

Praxisteil: Deep Learning Modelle mit Keras

  • Datengeneratoren
  • Datasets explorativ analysieren
  • Hold-Out vs. Cross Validation

11.00 - 11.15 Uhr: Kaffeepause

Praxisteil: Deep Learning Modelle mit Keras

  • Feed-Forward Netzarchitektur
  • Convolutional Neural Networks als Deep Learning Ansatz
  • Evaluation und Visualisierung des Modells

12.30 - 13.30 Uhr: Mittagspause

Pipelines mit Luigi

  • Anforderungen an produktive Modelle
  • Übersicht über Luigi und dessen Module
  • Bau eines Beispiel-Workflows

Praxisteil: Den Keras-Workflow mit Luigi implementieren

  • Anforderungen an produktive Modelle
  • Übersicht über Luigi und dessen Module
  • Bau eines Beispiel-Workflows

15.30 - 15.45 Uhr: Kaffeepause

Praxisteil: TensorFlow-Serving

  • Übersicht über TensorFlow-Serving
  • Ladestrategien konfigurieren
  • Deployment des Modells

ca. 17.00 Uhr: Ende

 

Referent

 

Gerd Aschemann Gerd Aschemann berät seine Kunden freiberuflich als Entwickler und Softwarearchitekt. Sein Schwerpunkt sind dabei oft die Themen Build-/Konfigurations-/Versionsmanagement, der Aufbau von Continuous-Integration/Delivery-Plattformen und Transformation und Neuentwicklung von Java-Enterprise-Anwendungen. Er hat an der TU Darmstadt Informatik studiert und als wissenschaftlicher Mitarbeiter über "Management verteilter Systeme" geforscht. In den letzten Jahren hat er sich als Mitorganisator der JUG Darmstadt und dem JavaLand für die Community der deutschen JVM-Nutzer engagiert.

Platin-Sponsor

Gold-Sponsor

Silber-Sponsoren


CLC-Newsletter

Sie möchten über die Continuous Lifecycle
auf dem Laufenden gehalten werden?

 

Anmelden