Das Seminar soll ihnen zeigen, wie sie ML-Workflows mithilfe von Kubeflow skalierbar und effizient gestalten können. Dadurch können sie ihre ML-Infrastruktur verbessern und die Produktivität ihrer Datenwissenschaftler und Entwickler steigern. Zudem erhalten sie Best Practices für den Einsatz von Kubernetes und Kubeflow, um Ressourcen besser zu verwalten und Kosten zu optimieren. Die Schulung fördert auch die Zusammenarbeit zwischen den Teams, da wiederverwendbare Komponenten und Code-Definitionen ermöglicht werden.
Einführung in Kubernetes und Container-Orchestrierung
Warum Kubeflow? Überblick über die Vorteile von Kubeflow für ML-Workflows
Installation und Konfiguration von Kubernetes für Kubeflow
Installation und Konfiguration von Kubeflow auf einem Kubernetes-Cluster
Verwendung von Jupyter Notebooks mit Kubeflow
Hands-on: Erste Schritte mit Kubeflow - Ausführen einfacher Jobs und Notebooks
Kubeflow Pipelines und Workflow-Definitionen
Einführung in Kubeflow Pipelines: Grundlegende Konzepte und Funktionen
Erstellen und Ausführen von Pipelines in Kubeflow
Komponenten von Kubeflow Pipelines: DSL, Arbeiter und Kontrollschleifen
Hands-on: Erstellen und Ausführen eines ML-Workflows mit Kubeflow Pipelines
Fortgeschrittene Workflow-Anpassungen: Parameter, Schleifen und Konditionen
Hands-on: Erweiterter Workflow - Hyperparameter-Optimierung mit Katib
Modell-Training und -Deployment
Modell-Training in Kubeflow mit TensorFlow und PyTorch
Verwendung von Kubeflow für verteiltes Training und Model Tuning
Einführung in das Modell-Deployment mit Kubeflow und Kubernetes
Implementierung von Model Serving mit Kubeflow und Seldon
Hands-on: Modell-Training und Deployment in Kubeflow
Überwachung und Skalierung von ML-Modellen in Produktion mit Kubeflow
Fortgeschrittene Themen und Best Practices
Verwalten und Überwachen von ML-Experimenten mit Kubeflow Experimenten
Arbeiten mit Daten in Kubeflow: Datenpipelines und Data Versioning
Sicherheit in Kubeflow: Benutzerzugriffssteuerung und Datenschutz
Multi-Cluster-Kubeflow: Skalierung über mehrere Kubernetes-Cluster hinweg
Anwendungsbeispiele und Use Cases von Kubeflow in der Praxis
Best Practices für effizientes und zuverlässiges Maschinelles Lernen mit Kubeflow
Dauer/zeitlicher Ablauf:
2 Tage
Zielgruppe:
Datenwissenschaftler und ML-Ingenieure: Datenwissenschaftler, die für das Entwerfen, Trainieren und Evaluieren von ML-Modellen verantwortlich sind, sowie ML-Ingenieure, die sich auf die Implementierung von ML-Systemen in der Produktion konzentrieren.
Softwareentwickler und DevOps-Teams: Softwareentwickler und DevOps-Teams, die für die Bereitstellung und Verwaltung von Kubernetes-Clustern und Infrastrukturen verantwortlich sind, die für die Ausführung von ML-Workflows erforderlich sind.
Systemadministratoren und IT-Infrastrukturteams: Systemadministratoren und IT-Infrastrukturteams, die die Kubernetes- und Kubeflow-Umgebung verwalten und sicherstellen müssen, dass sie ordnungsgemäß funktioniert.
Datenmanager und Dateninfrastrukturteams: Datenmanager und Dateninfrastrukturteams, die für die Bereitstellung und Verwaltung von Datenpipelines und -speicherung verantwortlich sind, die von den ML-Workflows genutzt werden.
Wir setzen Analyse-Cookies ein, um Ihre Zufriedenheit bei der Nutzung unserer Webseite zu verbessern.
Diese Cookies werden nicht automatisiert gesetzt.
Wenn Sie mit dem Einsatz dieser Cookies einverstanden sind, klicken Sie bitte auf Akzeptieren.
Weitere Informationen finden Sie hier.
