Beschreibung
Maschinelles Lernen auf Kubernetes mit Kubeflow
- Skalierbarkeit und Effizienz: Kubeflow ermöglicht es, Maschinenlern-Workflows effizient auf Kubernetes-Clustern zu skalieren. Dies bedeutet, dass Unternehmen problemlos von einzelnen Experimenten zu großen Trainingsjobs übergehen können, ohne die Infrastruktur neu gestalten zu müssen. Kubeflow nutzt die Kubernetes-Skalierbarkeit, um die Arbeitslasten flexibel anzupassen.
- Wiederverwendbarkeit von Workflows: Kubeflow Pipelines ermöglichen es, Workflows als Code zu definieren, was ihre Wiederverwendbarkeit und Portabilität erhöht. Dies fördert die Zusammenarbeit im Unternehmen, da Teams ihre ML-Workflows leicht teilen und auf vorhandene Ressourcen aufbauen können.
- Konsistente Umgebung: Dank Kubernetes und Containerisierung wird sichergestellt, dass ML-Modelle in einer konsistenten Umgebung trainiert, validiert und bereitgestellt werden. Dies reduziert die Wahrscheinlichkeit von "Works-on-my-machine"-Problemen und erleichtert die Reproduzierbarkeit der Ergebnisse.
- Automatisierte Hyperparameter-Optimierung: Kubeflow bietet die Integration von Komponenten wie Katib, die automatische Hyperparameter-Optimierung ermöglichen. Dadurch können Unternehmen schneller bessere Modelle erstellen und die Leistung ihrer Algorithmen verbessern.
- Skalierbares Modell-Deployment: Kubeflow erleichtert das Deployment von Modellen in Produktion. Durch die Verwendung von Kubernetes für das Serving können Modelle einfach skaliert werden, um hohe Anforderungen zu erfüllen und die Inference-Leistung zu optimieren.
- Monitoring und Auswertung: Kubeflow bietet integrierte Möglichkeiten zur Überwachung und Bewertung von Modellen. Unternehmen können Metriken und Protokolle erfassen, um die Leistung ihrer Modelle im Laufe der Zeit zu verfolgen und Probleme frühzeitig zu erkennen.
- Rechenressourcenoptimierung: Mit Kubeflow können Unternehmen die Ressourcen ihrer ML-Jobs besser verwalten und optimieren. Kubernetes ermöglicht es, die Ressourcen genau zu steuern, wodurch Kosten gesenkt werden können.
- Technologie-Integration: Kubeflow ist mit einer Vielzahl von Open-Source-Technologien für das Maschinelle Lernen integriert. Dies ermöglicht es Unternehmen, eine breite Palette von Tools und Frameworks zu nutzen, die in der ML-Community weit verbreitet sind.
Kommende Starttermine
Wählen Sie aus 9 verfügbaren Startterminen
Inhalte / Module
- Einführung in Kubernetes und Kubeflow
- 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
Zielgruppe / Voraussetzungen
- 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.
Hinweis: Dieser Kurs richtet sich an Mitarbeitende aus Unternehmen und Institutionen.
Für Privatpersonen ist dieser Kurs leider nicht geeignet.
Eine Informationsanfrage zu diesem Kurs ist nur für Beteiligte aus dem B2B-Bereich sinnvoll.
Abschlussqualifikation / Zertifikat
Infos anfordern
GFU Cyrus AG
Erweitern Sie Ihre IT-Skills mit einem offenen IT-Training oder ganz nach Ihren Bedürfnissen durch eine individuelle IT-Schulung. Programmiersprachen (C#, Python, Java, …), Microsoft Office 365, Anforderungsmanagement, Projektmanagement, Business Intelligence, Data Science, Künstliche Intelligenz, IT-Sicherheit , Administration & Datenbanken, Softwareentwicklung, Testmanagement...
Erfahren Sie mehr über GFU Cyrus AG und weitere Kurse des Anbieters.
Anzeige