Bądźmy w kontakcie
 Czas trwania 14 godzin

Plan Szkolenia

Wprowadzenie do Kubeflow

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

Praca z pulpitem Kubeflow

  • Nawigacja po interfejsie użytkownika
  • Zarządzanie notatnikami i przestrzeniami roboczymi
  • Integracja pamięci masowej i źródeł danych

Podstawy Kubeflow Pipelines

  • Struktura potoku i projektowanie komponentów
  • Tworzenie potoków za pomocą Python SDK
  • Wykonywanie, planowanie i monitorowanie uruchomień potoków

Trenowanie modeli ML 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 uruchomieniowymi
  • Zarządzanie wersjami, skalowaniem i routingiem ruchu

Zarządzanie przepływami pracy ML na Kubernetes

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

Najlepsze praktyki dla produkcyjnego ML

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

Zaawansowane tematy (opcjonalnie)

  • Środowiska Kubeflow dla wielu dzierżawców
  • Scenariusze wdrożeń hybrydowych i wieloklastrowych
  • Rozszerzanie Kubeflow o niestandardowe komponenty

Podsumowanie i kolejne kroki

Wymagania

  • Zrozumienie aplikacji kontenerowych
  • Doświadczenie w podstawowych przepływach pracy z wierszem poleceń
  • Znajomość koncepcji Kubernetes

Grupa docelowa

  • Praktycy ML
  • Analitycy danych
  • Zespoły DevOps rozpoczynające pracę z Kubeflow

Liczba uczestników


Cena za uczestnika (netto)

Opinie uczestników (4)

Propozycje terminów

Powiązane Kategorie