Kursplan

Innføring i Kubeflow

  • Forståelse av Kubeflows oppdrag og arkitektur
  • Kjernekomponenter og økosystemoversikt
  • Delplasseringsmuligheter og plattformsevner

Arbeid med Kubeflow Dashboard

  • Navigasjon i brukergrensesnittet
  • Administrering av notiser og arbeidsområder
  • Integrering av lagring og datas supplyer

Grunnleggende kunnskaper i Kubeflow Pipelines

  • Arbeidsflytstruktur og komponentdesign
  • Skrive arbeidsflyter med Python SDK
  • Utføring, planlegging og overvåking av arbeidsflytkjøringer

Trening av ML-modeller i Kubeflow

  • Fordelte treningsmønstre
  • Bruk av TFJob, PyTorchJob og andre operatører
  • Resursforvaltning og autoscaling i Kubernetes

Modellservering med Kubeflow

  • Oversikt over KFServing / KServe
  • Delplassering av modeller med tilpassede kjøretøy
  • Administrasjon av revisjoner, skaling og trafikkstyring

Forvaltning av ML-arbeidsflyter i Kubernetes

  • Versionering av data, modeller og artefakter
  • Integrering av CI/CD for ML-arbeidsflyter
  • Sikkerhet og rollebasert tilgangskontroll

Beste praksis for produksjons-ML

  • Design av pålitelige arbeidsflytmønstre
  • Observasjon og overvåking
  • Feilsøking vanlige Kubeflow-problemer

Avanserte emner (valgfrie)

  • Flertydige Kubeflow-miljøer
  • Hybrid- og flerkluster-delplasseringscenarier
  • Utvidelse av Kubeflow med tilpassede komponenter

Oppsummering og neste steg

Krav

  • Forståelse av containeriserte applikasjoner
  • Erfaring med grunnleggende kommandolinje-arbeidsflyter
  • Familiaritet med Kubernetes-konsepter

Målgruppe

  • ML-praktisere
  • Dataforskere
  • DevOps-teams nye for Kubeflow
 14 Timer

Antall deltakere


Pris per deltaker

Referanser (5)

Kommende kurs

Relaterte kategorier