Kursplan

Introduktion till Kubeflow

  • Förståelse av Kubeflows uppdrag och arkitektur
  • Översikt över kärnkomponenter och ekosystem
  • Distribueringsalternativ och plattformsfunktioner

Arbete med Kubeflow Dashboard

  • Användargränssnittsnavigering
  • Hantering av anteckningsböcker och arbetsytor
  • Integrering av lagring och datakällor

Grunderna i Kubeflow Pipelines

  • Pipeline-struktur och komponentdesign
  • Skapande av pipelines med Python SDK
  • Körning, schemaläggning och övervakning av pipeline-körningar

Träningsmodeller för ML på Kubeflow

  • Distribuerade träningsmönster
  • Användning av TFJob, PyTorchJob och andra operatörer
  • Resurshantering och autoskalning i Kubernetes

Modellservering med Kubeflow

  • Översikt över KFServing / KServe
  • Distribuering av modeller med anpassade körningsmiljöer
  • Hantering av revisioner, skalning och trafikdirigering

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 produktionsML

  • Design av pålitliga arbetsflödesmönster
  • Observabilitet och övervakning
  • Felhämtningsförfaranden för vanliga Kubeflow-problem

Avancerade ämnen (Valfritt)

  • Multitenant-Kubeflow-miljöer
  • Hybrid- och flera klusterdistributionsscenarier
  • Utökning av Kubeflow med anpassade komponenter

Sammanfattning och nästa steg

Krav

  • Förmåga att förstå containeriserade applikationer
  • Erfarenhet av grundläggande kommandoradsarbetsflöden
  • Kännedom om Kubernetes-koncept

Målgrupp

  • ML-praktiker
  • Datawetenskapsanalytiker
  • DevOps-team nybörjare i Kubeflow
 14 Timmar

Antal deltagare


Pris per deltagare

Vittnesmål (5)

Kommande Kurser

Relaterade Kategorier