Kontakt aufnehmen

Schulungsübersicht

Einführung in Kubeflow

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

Arbeit mit dem Kubeflow-Dashboard

  • Navigation der Benutzeroberfläche
  • Verwaltung von Notebooks und Arbeitsbereichen
  • Integration von Speicher und Datenquellen

Grundlagen der Kubeflow Pipelines

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

Training von ML-Modellen mit Kubeflow

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

Modell-Bereitstellung mit Kubeflow

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

Verwaltung von ML-Workflows auf Kubernetes

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

Bewährte Praktiken für produktives ML

  • Gestaltung zuverlässiger Workflow-Muster
  • Beobachtbarkeit und Überwachung
  • Behebung gängiger Kubeflow-Probleme

Fortgeschrittene Themen (optional)

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

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Verständnis von kontainerisierten Anwendungen
  • Erfahrung mit grundlegenden Command-Line-Workflows
  • Vertrautheit mit Kubernetes-Konzepten

Zielgruppe

  • ML-Fachkräfte
  • Data Scientists
  • DevOps-Teams, die neu in Kubeflow sind
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (3)

Kommende Kurse

Verwandte Kategorien