Kurzusleírás

Bevezetés a Kubeflow-be

  • A Kubeflow céljának és architektúrájának megértése
  • Alapvető komponensek és ökoszisztéma áttekintése
  • Telepítési opciók és platform képességek

A Kubeflow irányítópult használata

  • Felhasználói felület navigációja
  • Jegyzettömbök és munkaterületek kezelése
  • Tárhely és adatforrások integrálása

Kubeflow Pipelines alapjai

  • Folyamat szerkezete és komponens tervezése
  • Folyamatok létrehozása a Python SDK-val
  • Folyamatfuttatások végrehajtása, ütemezése és monitorozása

Gépi tanulási modellek tanítása a Kubeflow-on

  • Elosztott tanítás mintázatai
  • TFJob, PyTorchJob és más operátorok használata
  • Erőforráskezelés és automatikus skálázás a Kubernetes-ben

Modell szolgáltatás a Kubeflow-on

  • KFServing / KServe áttekintése
  • Modell üzembe helyezése egyéni futási környezetekkel
  • Verziók, skálázás és forgalom irányításának kezelése

Gépi tanulási folyamatok kezelése a Kubernetes-en

  • Adat, modell és artefakt verziókezelése
  • CI/CD integráció ML folyamatokhoz
  • Biztonság és szerepköp alapú hozzáférés-vezérlés

Legjobb gyakorlatok a termelési ML-hez

  • Megbízható folyamatmintázatok tervezése
  • Láthatóság és monitorozás
  • Gyakori Kubeflow problémák hibaelhárítása

Haladó témák (választható)

  • Többszállodású Kubeflow környezetek
  • Híbridd és többcsomópontos telepítési forgatókönyvek
  • Egyéni komponensek hozzáadása a Kubeflow-hoz

Összefoglalás és következő lépések

Követelmények

  • A tárolóalapú alkalmazások megértése
  • Tapasztalat a parancssori folyamatok használatával
  • A Kubernetes fogalmak ismerete

Célcsoport

  • ML gyakorlók
  • Adattudósok
  • Kubeflow-szel kezdődő DevOps csapatok
 14 Órák

Résztvevők száma


Ár per résztvevő

Vélemények (5)

Közelgő kurzusok

Rokon kategóriák