Ta kontakt
 Varighet 14 timer

Kursplan

Introduksjon til Kubeflow

  • Forståelse av Kubeflow-misjonen og arkitekturen
  • Kjernekomponenter og oversikt over økosystemet
  • Valgfrie alternativer for implementering og plattformkapasitet

Å jobbe med Kubeflow Dashboard

  • Navigasjon i brukergrensesnittet
  • Administresjon av notebooks og arbeidsområder
  • Integrering av lagring og datakilder

Grunnleggende prinsipper for Kubeflow Pipelines

  • Pipelinestructur og komponentdesign
  • Forfattere av pipelines med Python SDK
  • Utføring, planlegging og overvåkning av kjører

Trening av ML-modeller på Kubeflow

  • Mønstre for distribuert trening
  • Bruk av TFJob, PyTorchJob og andre operatører
  • Administrering av ressurser og autoscaling i Kubernetes

Model Serving med Kubeflow

  • Generell oversikt over KFServing / KServe
  • Implementering av modeller med tilpassede kjører
  • Administresjon av revisjoner, skalering og trafikkrouting

Administresjon av ML-arbeidsflyter på Kubernetes

  • Versjonering av data, modeller og artefakter
  • Integrering av CI/CD for ML-pipelines
  • Sikkerhet og rollbasert tilgangsstyring

Beste praksis for produksjons-ML

  • Design av pålitelige arbeidsflytermønstre
  • Observability og overvåkning
  • Feilsøking av vanlige Kubeflow-problemer

Avanserte emner (Valgfritt)

  • Multi-tenant Kubeflow-miljøer
  • Hybrid- og multi-cluster-implementeringsscenarier
  • Utvidelse av Kubeflow med tilpassede komponenter

Oppsummering og neste steg

Krav

  • Forståelse av containerisert applikasjoner
  • Erfaring med grunnleggende kommandolinje-arbeidsflyter
  • Kjennskap til Kubernetes-konsepter

Publikum

  • ML-praktikere
  • Dataforskere
  • DevOps-team som er nye i Kubeflow

Antall deltakere


Pris per deltaker

Referanser (4)

Kommende kurs

Relaterte kategorier