Lépjen kapcsolatba velünk
 Időtartalma 14 órák

Kurzusleírás

Bevezetés a Kubeflow-ba

  • A Kubeflow küldetésének és architektúrájának megértése
  • Az alapvető komponensek és az ökoszisztéma áttekintése
  • Telepítési lehetőségek és platformképességek

Munka a Kubeflow irányítópultjával

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

A Kubeflow Pipelines alapjai

  • Pipeline-struktúra és komponensdesign
  • Pipeline-ok készítése Python SDK-val
  • Pipeline-futtatások végrehajtása, ütemezése és monitorozása

ML-modellek tanítása Kubeflow-val

  • Elosztott tanítási minták
  • A TFJob, a PyTorchJob és más operátorok használata
  • Erőforrás-kezelés és automatikus skálázás Kubernetesen

Modellkiszolgálás Kubeflow-val

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

ML-munkafolyamatok kezelése Kubernetesen

  • Adatok, modellek és artifactok verziózása
  • CI/CD integrálása ML-pipeline-okhoz
  • Biztonság és szerepköralapú hozzáférés-vezérlés

Legjobb gyakorlatok éles környezetben futó ML-hez

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

Haladó témakörök (opcionális)

  • Több-bérlős Kubeflow-környezetek
  • Hibrid és többklaszteres telepítési forgatókönyvek
  • A Kubeflow bővítése egyéni komponensekkel

Összefoglalás és következő lépések

Követelmények

  • A konténerizált alkalmazások ismerete
  • Alapszintű parancssori munkafolyamatokban szerzett tapasztalat
  • Kubernetes-koncepciók ismerete

Célközönség

  • ML-szakemberek
  • Adattudósok
  • A Kubeflow-val most ismerkedő DevOps-csapatok

Résztvevők száma


Ár per résztvevő

Vélemények (4)

Közelgő kurzusok

Rokon kategóriák