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 il Kubeflow Dashboard

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

Fondamenti dei Kubeflow Pipelines

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

Training di modelli ML su Kubeflow

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

Distribuzione di modelli con Kubeflow

  • Panoramica di KFServing / KServe
  • Distribuzione di modelli con runtime personalizzati
  • Gestione delle revisioni, dello scaling e del routing del traffico

Gestione dei workflow ML su Kubernetes

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

Best Practices per il ML in Produzione

  • Progettazione di pattern di workflow affidabili
  • Osservabilità e monitoraggio
  • Risoluzione dei problemi comuni di Kubeflow

Argomenti Avanzati (Opzionali)

  • Ambienti Kubeflow multitenant
  • Scenario di deployment ibrido e multicluster
  • Estensione di Kubeflow con componenti personalizzati

Riepilogo e Prossimi Passaggi

Requisiti

  • Comprensione delle applicazioni containerizzate
  • Esperienza con flussi di lavoro di base da linea di comando
  • Familiarità con i concetti Kubernetes

Pubblico Obiettivo

  • Praticanti di machine learning
  • Data scientists
  • Team DevOps nuovi a Kubeflow
 14 ore

Numero di Partecipanti


Prezzo per partecipante

Recensioni (5)

Corsi in Arrivo

Categorie relative