Kontakt aufnehmen

Schulungsübersicht

Einführung in Kubeflow

  • Verständnis der Kubeflow-Mission und -Architektur
  • Überblick über Kernkomponenten und Ökosystem
  • Deployment-Optionen und Plattformfähigkeiten

Arbeiten mit dem Kubeflow Dashboard

  • Navigation in der Benutzeroberfläche
  • Verwalten von Notebooks und Workspaces
  • Einbinden von Speicher und Datenquellen

Grundlagen der Kubeflow Pipelines

  • Pipeline-Struktur und Komponenten-Design
  • Erstellen von Pipelines mit dem Python SDK
  • Ausführen, Planen und Überwachen von Pipeline-Läufen

Trainieren von ML-Modellen auf Kubeflow

  • Verteilte Trainingsmuster
  • Verwendung von TFJob, PyTorchJob und anderen Operatoren
  • Ressourcenmanagement und Autoscaling in Kubernetes

Modell-Bereitstellung mit Kubeflow

  • Überblick über KFServing / KServe
  • Bereitstellen von Modellen mit benutzerdefinierten Laufzeiten
  • Verwalten von Revisionsstufen, Skalierung und Traffic-Routing

Verwalten von ML-Workflows auf Kubernetes

  • Versionierung von Daten, Modellen und Artefakten
  • Einbinden von CI/CD für ML-Pipelines
  • Sicherheit und rollenbasierte Zugriffssteuerung (RBAC)

Best Practices für die Produktion von ML

  • Entwurf zuverlässiger Workflow-Muster
  • Beobachtbarkeit und Überwachung
  • Fehlerbehebung bei häufigen Kubeflow-Problemen

Fortgeschrittene Themen (Optional)

  • Multi-Tenant-Kubeflow-Umgebungen
  • Szenarien für hybride und multi-Cluster-Bereitstellungen
  • Erweitern von Kubeflow mit benutzerdefinierten Komponenten

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Grundlegendes Verständnis von containerisierten Anwendungen
  • Erfahrung mit grundlegenden Command-Line-Arbeitsabläufen
  • Vertrautheit mit den Konzepten von Kubernetes

Zielgruppe

  • ML-Praktiker
  • Data Scientists
  • DevOps-Teams, die neu bei Kubeflow sind
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (4)

Kommende Kurse

Verwandte Kategorien