Zkuste nás kontaktovat

Návrh Školení

Úvod do platformy Kubeflow

  • Cíle a architektura platformy Kubeflow
  • Přehled hlavních komponent a ekosystému
  • Možnosti nasazení a schopnosti platformy

Práce s dashboardem Kubeflow

  • Procházení uživatelským rozhraním
  • Správa poznámkových bloků a pracovních prostorů
  • Integrace úložišť a zdrojů dat

Základy nástroje Kubeflow Pipelines

  • Struktura pipeline a koncepty jednotlivých komponent
  • Vytváření pipeline pomocí Python SDK
  • Spouštění, plánování a monitorování provádění pipeline

Trénování strojově učících modelů v Kubeflow

  • Metody distribuovaného trénování
  • Využití nástrojů TFJob, PyTorchJob a dalších operátorů
  • Správa prostředků a automatické škálování v Kubernetes

Nasazování ML modelů pomocí Kubeflow

  • Přehled služby KFServing / KServe
  • Nastavení modelů s využitím vlastních runtime prostředí
  • Správa verzí, škálování a směrování provozu

Řízení ML pracovních toků v prostředí Kubernetes

  • Verzování dat, modelů a dalších artefaktů
  • Integrace CI/CD procesů s ML pipeline
  • Bezpečnostní opatření a řízení přístupu na základě rolí

Osvědčené postupy pro produkční nasazení ML řešení

  • Návrh robustných a spolehlivých pracovních toků
  • Sledování a monitorování průběhu procesů
  • Řešení běžných problémů v prostředí Kubeflow

Pokročilá témata (volitelně)

  • Konfigurace více tenanta v prostředí Kubeflow
  • Nasazení hybridních a víceklastrových řešení
  • Rozšíření funkcionalit Kubeflow pomocí vlastních komponent

Shrnutí a další kroky

Požadavky

  • Základní porozumění principům kontejnerizovaných aplikací
  • Praktické zkušenosti s prací v příkazovém řádku
  • Základní orientace v konceptech Kubernetes

Cílová skupina

  • Odborníci na strojové učení
  • Datoví vědci
  • DevOps týmy, které s Kubeflow ještě nepracují
 14 Hodiny

Počet účastníků


Cena za účastníka

Reference (4)

Nadcházející kurzy

Související kategorie