Contattataci
 Durata 14 ore

Struttura del corso

Introduzione a Kubeflow

  • Comprensione della missione e dell'architettura di Kubeflow
  • Componenti principali e panoramica dell'ecosistema
  • Opzioni di deployment e capacità della piattaforma

Lavorare con la Dashboard di Kubeflow

  • Navigazione dell'interfaccia utente
  • Gestione di notebook e workspace
  • Integrazione di storage e fonti di dati

Fondamenti delle Kubeflow Pipelines

  • Struttura delle pipeline e progettazione dei componenti
  • Creazione di pipeline con Python SDK
  • Esecuzione, pianificazione e monitoraggio delle esecuzioni delle pipeline

Addestramento dei Modelli ML su Kubeflow

  • Modelli di addestramento distribuito
  • Utilizzo di TFJob, PyTorchJob e altri operatori
  • Gestione delle risorse e autoscaling in Kubernetes

Serving dei Modelli con Kubeflow

  • Panoramica di KFServing / KServe
  • Deployment di modelli con runtime personalizzati
  • Gestione di revisioni, scaling e instradamento del traffico

Gestione dei Flussi di Lavoro ML su Kubernetes

  • Versioning di dati, modelli e artefatti
  • Integrazione di CI/CD per le pipeline ML
  • Sicurezza e controllo degli accessi basato sui ruoli

Best Practice per l'ML in Produzione

  • Progettazione di modelli di flusso di lavoro affidabili
  • Osservabilità e monitoraggio
  • Troubleshooting dei problemi comuni di Kubeflow

Argomenti Avanzati (Opzionali)

  • Ambienti Kubeflow multi-tenant
  • Scenari di deployment ibrido e multi-cluster
  • Estensione di Kubeflow con componenti personalizzati

Sintesi e Prossimi Passi

Requisiti

  • Comprendere le applicazioni containerizzate
  • Esperienza con flussi di lavoro base da riga di comando
  • Familiarità con i concetti di Kubernetes

Pubblico di Riferimento

  • Praticanti ML
  • Scienziati dei dati
  • Team DevOps nuovi su Kubeflow

Numero di Partecipanti


Prezzo per partecipante

Recensioni (4)

Corsi in Arrivo

Categorie relative