Plan Szkolenia

Wprowadzenie do Kubeflow

  • Zrozumienie misji i architektury Kubeflow
  • Podstawowe komponenty i omówienie ekosystemu
  • Opcje wdrażania i możliwości platformy

Praca z panelem administracyjnym Kubeflow

  • Nawigacja interfejsu użytkownika
  • Zarządzanie notatnikami i obszarami roboczymi
  • Integracja przechowywania danych i źródeł danych

Podstawy Kubeflow Pipelines

  • Struktura przepływu pracy i projektowanie komponentów
  • Tworzenie przepływów pracy za pomocą Python SDK
  • Wykonywanie, planowanie i monitorowanie uruchomień przepływu pracy

Trenowanie modeli ML w Kubeflow

  • Wzorce trenowania rozproszonego
  • Używanie TFJob, PyTorchJob i innych operatorów
  • Zarządzanie zasobami i automatyczne skalowanie w Kubernetes

Wdrażanie modeli za pomocą Kubeflow

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

Zarządzanie przepływami pracy ML na Kubernetesie

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

Najlepsze praktyki dla produkcji ML

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

Zaawansowane tematy (opcjonalne)

  • Środowiska Kubeflow wielookrentowe
  • Scenariusze wdrożeń hybrydowych i wieloklastrowych
  • Rozszerzanie Kubeflow o niestandardowe komponenty

Podsumowanie i kolejne kroki

Wymagania

  • Zrozumienie aplikacji konteneryzowanych
  • Doświadczenie w podstawowych przepływach pracy wiersza poleceń
  • Znajomość koncepcji Kubernetesa

Grupa docelowa

  • Praktycy ML (Machine Learning)
  • Naukowcy danych
  • Zespoły DevOps nowe w Kubeflow
 14 godzin

Liczba uczestników


Cena za uczestnika

Opinie uczestników (5)

Propozycje terminów

Powiązane Kategorie