Kerangka Materi

Pengenalan ke Kubeflow

  • Memahami misi dan arsitektur Kubeflow
  • Ikhtisar komponen inti dan ekosistem
  • Opsi penyebaran dan kemampuan platform

Bekerja dengan Dashboard Kubeflow

  • Navigasi antarmuka pengguna
  • Mengelola notebook dan ruang kerja
  • Mengintegrasikan penyimpanan dan sumber data

Dasar-dasar Kubeflow Pipelines

  • Struktur pipa dan desain komponen
  • Menulis pipa dengan Python SDK
  • Menjalankan, menjadwalkan, dan memantau pelaksanaan pipa

Melatih Model ML di Kubeflow

  • Pola pelatihan terdistribusi
  • Menggunakan TFJob, PyTorchJob, dan operator lainnya
  • Manajemen sumber daya dan autoscaling di Kubernetes

Penyajian Model dengan Kubeflow

  • Ikhtisar KFServing / KServe
  • Menyebarkan model dengan runtime kustom
  • Mengelola revisi, penskalaan, dan penyetaraan lalu lintas

Mengelola Alur Kerja ML di Kubernetes

  • Penyimpanan versi data, model, dan artefak
  • Integrasi CI/CD untuk pipa ML
  • Keamanan dan kontrol akses berbasis peran

Praktik Terbaik untuk ML Produksi

  • Mendesain pola alur kerja yang handal
  • Observabilitas dan pemantauan
  • Penyelesaian masalah Kubeflow umum

Topik Lanjutan (Opsional)

  • Lingkungan Kubeflow multi-tenant
  • Skenario penyebaran hibrida dan multi-cluster
  • Memperluas Kubeflow dengan komponen kustom

Ringkasan dan Langkah Selanjutnya

Persyaratan

  • Pemahaman tentang aplikasi berkontainer
  • Pengalaman dengan alur kerja baris perintah dasar
  • Kenalan dengan konsep Kubernetes

Audience

  • Praktisi ML
  • Data scientists
  • Tim DevOps baru di Kubeflow
 14 Jam

Jumlah Peserta


Harga per Peserta

Testimoni (5)

Kursus Mendatang

Kategori Terkait