Kurzusleírás

Bevezetés a Kubeflow-ba

  • A Kubeflow küldetésének és architektúrájának megértése
  • Alapvető komponensek és ökoszisztéma áttekintése
  • Üzembe helyezési lehetőségek és platform képességek

A Kubeflow Irányítópult használata

  • Felhasználói felület navigáció
  • Jegyzetfüzetek és munkaterületek kezelése
  • Tárolók és adatforrások integrálása

Kubeflow Pipelines alapok

  • Pipeline szerkezet és komponens tervezés
  • Pipeline-ok készítése Python SDK-val
  • Pipeline futtatások végrehajtása, ütemezése és monitorozása

ML modellek tanítása a Kubeflow-on

  • Elosztott tanítási minták
  • TFJob, PyTorchJob és egyéb operátorok használata
  • Erőforrás-kezelés és autoskálázás a Kubernetes-en

Modellek kiszolgálása a Kubeflow-val

  • A KFServing / KServe áttekintése
  • Modellek üzembe helyezése egyéni futtatókörnyezetekkel
  • Verziókezelés, skálázás és forgalomirányítás

ML munkafolyamatok kezelése a Kubernetes-en

  • Adatok, modellek és összetevők verziókezelése
  • CI/CD integrálása ML pipeline-okhoz
  • Biztonság és szerepalapú hozzáférés-vezérlés

Ajánlott eljárások a termelési ML-hez

  • Megbízható munkafolyamat-minták tervezése
  • Megfigyelhetőség és monitorozás
  • Gyakori Kubeflow problémák hibaelhárítása

Haladó témák (Opcionális)

  • Több-bérlős Kubeflow környezetek
  • Hibrid és többklaszteres üzembe helyezési forgatókönyvek
  • Kubeflow kiterjesztése egyéni komponensekkel

Összefoglalás és következő lépések

Követelmények

  • A konténerizált alkalmazások ismerete
  • Alapvető parancssoros munkafolyamatokkal való tapasztalat
  • A Kubernetes fogalmak ismerete

Közönség

  • ML gyakorlók
  • Adattudósok
  • A Kubeflow-ban újonc DevOps csapatok
 14 Órák

Résztvevők száma


Ár per résztvevő

Vélemények (5)

Közelgő kurzusok

Rokon kategóriák