Schulungsübersicht

Einführung in Kubeflow

  • Verständnis der Kubeflow-Mission und Architektur
  • Kernkomponenten und Übersicht des Ökosystems
  • Bereitstellungsoptionen und Plattformfunktionen

Arbeit mit der Kubeflow-Dashboard

  • Navigation durch die Benutzeroberfläche
  • Verwalten von Notebooks und Workspaces
  • Integrieren von Speicher und Datenquellen

Grundlagen der Kubeflow Pipelines

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

Training von ML-Modellen in Kubeflow

  • Muster für verteiltes Training
  • Verwenden von TFJob, PyTorchJob und anderen Operatoren
  • Ressourcenmanagement und Autoskalierung in Kubernetes

Bereitstellen von Modellen mit Kubeflow

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

Verwalten von ML-Workflows in Kubernetes

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

Best Practices für die Produktion von ML-Modellen

  • Entwerfen verlässlicher Workflow-Muster
  • Observability und Monitoring
  • Troubleshooting von häufigen Kubeflow-Problemen

Fortgeschrittene Themen (optional)

  • Multi-Tenant-Kubeflow-Umgebungen
  • Hybrid- und multi-cluster-Bereitstellungsszenarien
  • Erweitern von Kubeflow mit benutzerdefinierten Komponenten

Zusammenfassung und Nächste Schritte

Voraussetzungen

  • Verständnis von containerisierten Anwendungen
  • Erfahrung mit grundlegenden Befehlszeilen-Workflows
  • Kenntnisse von Kubernetes-Konzepten

Zielgruppe

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

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (5)

Kommende Kurse

Verwandte Kategorien