Návrh Školení

Úvod do Kubeflow

  • Porozumění misi a architektuře Kubeflow
  • Přehled hlavních komponent a ekosystému
  • Možnosti nasazení a schopnosti platformy

Práce s Kubeflow Dashboardem

  • Navigace uživatelského rozhraní
  • Správa notebooků a pracovních prostorů
  • Integrace úložišť a zdrojů dat

Základy Kubeflow Pipelines

  • Struktura pipeline a návrh komponent
  • Vytváření pipeline pomocí Python SDK
  • Spouštění, plánování a monitorování spuštění pipeline

Trénování modelů ML na Kubeflow

  • Rozložené vzory tréninku
  • Použití TFJob, PyTorchJob a dalších operátorů
  • Správa zdrojů a autoskálování v Kubernetes

Nasazování modelů s Kubeflow

  • Přehled KFServing / KServe
  • Nasazení modelů se vlastními runtimey
  • Správa revizí, škálování a směrování provozu

Správa pracovních postupů ML na Kubernetes

  • Verzování dat, modelů a artefaktů
  • Integrace CI/CD pro pipeline ML
  • Zabezpečení a role založený přístupový řízení (RBAC)

Nejlepší praktiky pro produkční ML

  • Návrh spolehlivých vzorů pracovních postupů
  • Možnosti pozorování a monitorování
  • Řešení běžných problémů s Kubeflow

Pokročilé témata (volitelné)

  • Multi-tenant prostředí Kubeflow
  • Hybridní a multi-cluster scénáře nasazení
  • Rozšiřování Kubeflow vlastními komponentami

Shrnutí a další kroky

Požadavky

  • Porozumění kontejnerizovaným aplikacím
  • Zkušenosti s základními pracovními postupy v příkazové řádce
  • Opačnost s koncepty Kubernetes

Účastníci

  • Pracovníci v oblasti ML (strojového učení)
  • Data scientists
  • DevOps týmy nové v Kubeflow
 14 Hodiny

Počet účastníků


Cena za účastníka

Reference (5)

Nadcházející kurzy

Související kategorie