Cursusaanbod

Inleiding tot Kubeflow

  • Begrijpen van de Kubeflow-missie en -architectuur
  • Kerncomponenten en overzicht van het ecosystem
  • Implementatieopties en platformcapaciteiten

Werken met de Kubeflow Dashboard

  • Navigeren door het gebruikersinterface
  • Beheren van notebooks en werkruimten
  • Integreren van opslag en gegevensbronnen

Basisprincipes van Kubeflow Pipelines

  • Werkstroomstructuur en componentontwerp
  • Samenstellen van werkstromen met Python SDK
  • Uitvoeren, plannen en bewaken van pipeline-uitvoeringen

Trainen van ML-modellen op Kubeflow

  • Gedistribueerde trainingpatronen
  • Gebruik van TFJob, PyTorchJob en andere operatoren
  • Resourcebeheer en autoscaling in Kubernetes

Modelservering met Kubeflow

  • Overzicht van KFServing / KServe
  • Deployen van modellen met aangepaste runtimes
  • Beheren van revisies, schaling en verkeersroutering

Beheren van ML-werkstroom op Kubernetes

  • Versiebeheer van gegevens, modellen en artefacten
  • Integreren van CI/CD voor ML-werkstromen
  • Veiligheid en rollen gebaseerd toegangsbeheer

Best practices voor productie-ML

  • Ontwerpen van betrouwbare werkstroompatronen
  • Observabiliteit en monitoring
  • Oplossen van veelvoorkomende Kubeflow-problemen

Geavanceerde onderwerpen (optioneel)

  • Multi-tenant Kubeflow-omgevingen
  • Hybride en multi-cluster implementatiescenario's
  • Uitbreiden van Kubeflow met aangepaste componenten

Samenvatting en volgende stappen

Vereisten

  • Inzicht in containerized toepassingen
  • Ervaring met basale command-line werkstroom
  • Kennis van Kubernetes-concepten

Doelgroep

  • ML-praktijkers
  • Data scientists
  • DevOps-teams die nieuw zijn voor Kubeflow
 14 Uren

Aantal deelnemers


Prijs per deelnemer

Getuigenissen (5)

Voorlopige Aankomende Cursussen

Gerelateerde categorieën