Kom i kontakt
 Varaktighet 14 timmar

Kursplan

Introduktion till Kubeflow

  • Förståelse för Kubeflows mission och arkitektur
  • Översikt över kärnkomponenter och ekosystemet
  • Implementeringsalternativ och plattformsegenskaper

Arbeta med Kubeflow-dashboarden

  • Navigering av användargränssnittet
  • Hantering av notebooks och arbetsutrymmen
  • Integrering av lagring och datakällor

Grundläggande Kubeflow Pipelines

  • Struktur för pipelines och komponentdesign
  • Skrivning av pipelines med Python SDK
  • Kör, schemalägg och övervaka pipelineruns

Träna ML-modeller i Kubeflow

  • Mönster för distribuerad träning
  • Användning av TFJob, PyTorchJob och andra operatörer
  • Resurstilldelning och automatisk skalning i Kubernetes

Servering av modeller med Kubeflow

  • Översikt över KFServing / KServe
  • Implementering av modeller med anpassade körmiljöer
  • Hantering av revideringar, skalning och trafikstyrning

Hantering av ML-arbetsflöden på Kubernetes

  • Versionering av data, modeller och artefakter
  • Integrering av CI/CD för ML-pipelines
  • Säkerhet och rollbaserad åtkomstkontroll

Bästa praxis för produktions ML

  • Design av tillförlitliga arbetsflödesmönster
  • Observabilitet och övervakning
  • Felsökning av vanliga Kubeflow-problem

Avancerade ämnen (Valfritt)

  • Multitent Kubeflow-miljöer
  • Scenarier för hybrid- och multi-cluster-implementation
  • Utökning av Kubeflow med anpassade komponenter

Sammanfattning och nästa steg

Krav

  • En förståelse för containeriserade appar
  • Erfarenhet av grundläggande kommandoradslinjer
  • Kännedom till Kubernetes-koncept

Målgrupp

  • ML-praktiker
  • Data scientister
  • DevOps-team som är nya till Kubeflow

Antal deltagare


Pris per deltagare

Vittnesmål (4)

Kommande Kurser

Relaterade Kategorier