Kontakt aufnehmen
 Dauer 14 Stunden

Schulungsübersicht

Einführung in Kubeflow

  • Verständnis der Mission und Architektur von Kubeflow
  • Überblick über Kernkomponenten und Ökosystem
  • Bereitstellungsoptionen und Plattformfähigkeiten

Arbeit mit dem Kubeflow-Dashboard

  • Navigation in der Benutzeroberfläche
  • Verwaltung von Notebooks und Workspaces
  • Integration von Speicher und Datenquellen

Grundlagen von Kubeflow Pipelines

  • Pipeline-Struktur und Komponentendesign
  • Erstellung von Pipelines mit der Python-SDK
  • Ausführung, Planung und Überwachung von Pipeline-Läufen

Trainieren von ML-Modellen mit Kubeflow

  • Muster für verteiltes Training
  • Verwendung von TFJob, PyTorchJob und anderen Operatoren
  • Ressourcenverwaltung und Autoscaling in Kubernetes

Modellbereitstellung mit Kubeflow

  • Überblick über KFServing / KServe
  • Bereitstellung von Modellen mit benutzerdefinierten Laufzeitumgebungen
  • Verwaltung von Revisionen, Skalierung und Traffic-Routing

Verwaltung von ML-Workflows in Kubernetes

  • Versionierung von Daten, Modellen und Artefakten
  • Integration von CI/CD für ML-Pipelines
  • Sicherheit und rollenbasierte Zugriffskontrolle

Bewährte Verfahren für produktionsreifes ML

  • Gestaltung zuverlässiger Workflow-Muster
  • Beobachtbarkeit und Überwachung
  • Fehlersuche bei gängigen Kubeflow-Problemen

Fortgeschrittene Themen (Optional)

  • Mandantenfähige Kubeflow-Umgebungen
  • Hybride und Multi-Cluster-Bereitstellungsszenarien
  • Erweiterung von Kubeflow mit benutzerdefinierten Komponenten

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Grundverständnis von containerisierten Anwendungen
  • Erfahrung mit grundlegenden Command-Line-Workflows
  • Vertrautheit mit Kubernetes-Konzepten

Zielgruppe

  • ML-Praktiker
  • Data Scientists
  • DevOps-Teams, die neu mit Kubeflow arbeiten

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (3)

Kommende Kurse

Verwandte Kategorien