Tack för att du skickade din fråga! En av våra teammedlemmar kontaktar dig snart.
Tack för att du skickade din bokning! En av våra teammedlemmar kontaktar dig snart.
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
Vittnesmål (1)
Jag uppskattar Kubernetes-delen av utbildningen, eftersom jag hade några uppgifter relaterade till K8s-poddar och portar, och det var trevligt att få en bättre förståelse nu. Tack!
Laura Miron - Betfair
Kurs - Docker and Kubernetes
Maskintolkat