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

Grundlagen von Kubeflow Pipelines

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

Training von ML-Modellen auf Kubeflow

  • Muster für verteiltes Training
  • Einsatz von TFJob, PyTorchJob und anderen Operatoren
  • Ressourcenmanagement und Autoscaling in Kubernetes

Modellbereitstellung mit Kubeflow

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

Verwaltung von ML-Workflows auf Kubernetes

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

Best Practices für ML in der Produktion

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

Fortgeschrittene Themen (optional)

  • Multi-Mandanten-Kubeflow-Umgebungen
  • Hybrid- und Multi-Cluster-Bereitstellungsszenarien
  • Erweiterung von Kubeflow mit benutzerdefinierten Komponenten

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Grundkenntnisse in containerisierten Anwendungen
  • Erfahrung mit grundlegenden Command-Line-Arbeitsabläufen
  • Vertrautheit mit Kubernetes-Konzepten

Zielgruppe

  • ML-Praktiker
  • Datenwissenschaftler
  • DevOps-Teams, die neu mit Kubeflow arbeiten
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (4)

Kommende Kurse

Verwandte Kategorien