Neem contact met ons op
 Duur 14 uren

Cursusaanbod

Inleiding bij Kubeflow

  • De missie en architectuur van Kubeflow begrijpen
  • Overzicht van kerncomponenten en ecosysteem
  • Implementatieopties en platformmogelijkheden

Werken met het Kubeflow-dashboard

  • Navigatie door de gebruikersinterface
  • Beheer van notebooks en werkruimtes
  • Integratie van opslag en databronnen

Grundlagen van Kubeflow Pipelines

  • Structuur van pipelines en componentdesign
  • Pipelines maken met de Python SDK
  • Uitvoeren, inplannen en monitoren van pipelineruns

ML-modellen trainen op Kubeflow

  • Distributed training-patronen
  • Gebruik van TFJob, PyTorchJob en andere operators
  • Beheer van bronnen en autoscaling in Kubernetes

Model Serving met Kubeflow

  • Overzicht van KFServing / KServe
  • Implementeren van modellen met aangepaste runtimes
  • Beheren van revisies, schaling en traffic routing

Beheren van ML-workflows op Kubernetes

  • Versiebeheer van data, modellen en artefacten
  • Integratie van CI/CD voor ML-pipelines
  • Beveiliging en rolgebaseerde toegangscontrole

Best practices voor productie-ML

  • Ontwerpen van betrouwbare workflowpatronen
  • Observability en monitoring
  • Oplossen van veelvoorkomende Kubeflow-problemen

Geavanceerde onderwerpen (Optioneel)

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

Samenvatting en volgende stappen

Vereisten

  • Een begrip van containerized applicaties
  • Ervaring met basis command-line workflows
  • Kenmerk van Kubernetes concepten

Publiek

  • ML-praktijken
  • Datawetenschappers
  • DevOps-teams die nieuw zijn bij Kubeflow

Aantal deelnemers


Prijs per deelnemer

Getuigenissen (4)

Voorlopige Aankomende Cursussen

Gerelateerde categorieën