Kontakt aufnehmen

Schulungsübersicht

Einführung in Kubeflow

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

Arbeiten mit dem Kubeflow-Dashboard

  • Navigation in 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
  • Ausführen, Planen und Überwachen von Pipeline-Läufen

Training von ML-Modellen mit Kubeflow

  • Muster für verteiltes Training
  • Nutzung von TFJob, PyTorchJob und anderen Operatoren
  • Verwaltung von Ressourcen und Autoscaling in Kubernetes

Bereitstellung von Modellen mit Kubeflow

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

Verwaltung von ML-Workflows auf Kubernetes

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

Best Practices für Produktions-ML

  • Gestaltung zuverlässiger Workflow-Muster
  • Observability und Überwachung
  • Behebung häufiger 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 für containerisierte Anwendungen
  • Erfahrung mit grundlegenden Befehlszeilen-Workflows
  • Kenntnisse der Kubernetes-Konzepte

Zielgruppe

  • ML-Praktiker
  • Wissenschaftler für Datenanalyse (Data Scientists)
  • DevOps-Teams, die neu mit Kubeflow sind
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Erfahrungsberichte (3)

Kommende Kurse

Verwandte Kategorien