План на курса

Въведение в Kubeflow

  • Разбиране на мисията и архитектурата на Kubeflow
  • Основни компоненти и преглед на екосистемата
  • Можности за разграждане и способности на платформата

Работа с панелот на контроли на Kubeflow

  • Навигация в потребителския интерфейс
  • Управление на тетрадки и работни пространства
  • Интегриране на съхранение и данни източници

Основи за Kubeflow Pipelines

  • Структура на работния поток и проектиране на компонентите
  • Написване на работни потоци с Python SDK
  • Изпълнение, планиране и мониторинг на изпълненията на работния поток

Обучаване на ML модели с Kubeflow

  • Масштабиращи се шаблони за обучение
  • Използване на TFJob, PyTorchJob и други оператори
  • Управление на ресурсите и автоматично масштабиране в Kubernetes

Разграждане на модели с Kubeflow

  • Преглед на KFServing / KServe
  • Разграждане на модели с персонализирани рутини
  • Управление на версиите, масштабирането и маршрутизацията на трафика

Управление на ML работни потоци в Kubernetes

  • Версиониране на данни, модели и артефакти
  • Интегриране на CI/CD за ML работните потоци
  • Безопасност и роля базиран контрол на достъпа

Най-добри практики за производственото ML

  • Проектиране на надежди работни шаблони
  • Наблюдаемост и мониторинг
  • Отстраняване на често срещани проблеми в Kubeflow

Напредъчни теми (по избор)

  • Много- потребителски среди за Kubeflow
  • Хибридни и много- кластери сценарии за разграждане
  • Разширяване на Kubeflow с персонализирани компоненти

Резюме и следващи стъпки

Изисквания

  • Разбиране за контейнеризирани приложения
  • Опит с основни командните редове работни потоци
  • Запознаност с концепции на Kubernetes

Публика

  • Практици по ML
  • Дата саентисти
  • DevOps екипи, които се запознават с Kubeflow
 14 Часове

Брой участници


Цена за участник

Отзиви от потребители (5)

Предстоящи Курсове

Свързани Kатегории