Plan Szkolenia

Wprowadzenie do Kubeflow

  • Zrozumienie misji i architektury Kubeflow
  • Przegląd podstawowych komponentów i ekosystemu
  • Opcje wdrażania i możliwości platformy

Praca z pulpitem nawigacyjnym Kubeflow

  • Nawigacja w interfejsie użytkownika
  • Zarządzanie notatnikami i obszarami roboczymi
  • Integracja z magazynami i źródłami danych

Podstawy Kubeflow Pipelines

  • Struktura potoku i projektowanie komponentów
  • Tworzenie potoków za pomocą Python SDK
  • Uruchamianie, planowanie i monitorowanie przebiegów potoków

Trenowanie modeli uczenia maszynowego na Kubeflow

  • Wzorce treningu rozproszonego
  • Korzystanie z TFJob, PyTorchJob i innych operatorów
  • Zarządzanie zasobami i automatyczne skalowanie w Kubernetes

Serwowanie modeli z Kubeflow

  • Przegląd KFServing / KServe
  • Wdrażanie modeli z niestandardowymi środowiskami wykonawczymi
  • Zarządzanie wersjami, skalowaniem i routingiem ruchu

Zarządzanie przepływami pracy uczenia maszynowego na Kubernetes

  • Wersjonowanie danych, modeli i artefaktów
  • Integracja CI/CD dla potoków uczenia maszynowego
  • Bezpieczeństwo i kontrola dostępu oparta na rolach

Najlepsze praktyki dla uczenia maszynowego w produkcji

  • Projektowanie niezawodnych wzorców przepływów pracy
  • Obserwowalność i monitorowanie
  • Rozwiązywanie typowych problemów z Kubeflow

Zaawansowane tematy (opcjonalne)

  • Środowiska Kubeflow dla wielu użytkowników
  • Scenariusze wdrażania hybrydowego i wieloklastrowego
  • Rozszerzanie Kubeflow o niestandardowe komponenty

Podsumowanie i kolejne kroki

Wymagania

  • Zrozumienie aplikacji konteneryzowanych
  • Doświadczenie w pracy z podstawowymi przepływami pracy w linii poleceń
  • Znajomość koncepcji Kubernetes

Grupa docelowa

  • Praktycy uczenia maszynowego
  • Naukowcy zajmujący się danymi
  • Zespoły DevOps nowe w Kubeflow
 14 godzin

Liczba uczestników


Cena za uczestnika

Opinie uczestników (5)

Propozycje terminów

Powiązane Kategorie