Ponte en Contacto
 Duración 14 horas

Temario del curso

Introducción a Kubeflow

  • Comprensión de la misión y la arquitectura de Kubeflow
  • Componentes principales y visión general del ecosistema
  • Opciones de despliegue y capacidades de la plataforma

Trabajo con el Dashboard de Kubeflow

  • Navegación de la interfaz de usuario
  • Gestión de notebooks y espacios de trabajo
  • Integración de almacenamiento y fuentes de datos

Fundamentos de Kubeflow Pipelines

  • Estructura de pipelines y diseño de componentes
  • Autorización de pipelines con Python SDK
  • Ejecución, programación y monitoreo de ejecuciones de pipelines

Entrenamiento de Modelos de ML en Kubeflow

  • Patrones de entrenamiento distribuido
  • Uso de TFJob, PyTorchJob y otros operadores
  • Gestión de recursos y autoescalado en Kubernetes

Servicio de Modelos con Kubeflow

  • Visión general de KFServing / KServe
  • Despliegue de modelos con tiempos de ejecución personalizados
  • Gestión de revisiones, escalado y enrutamiento de tráfico

Gestión de Flujos de Trabajo de ML en Kubernetes

  • Control de versiones de datos, modelos y artefactos
  • Integración de CI/CD para pipelines de ML
  • Seguridad y control de acceso basado en roles

Mejores Prácticas para ML en Producción

  • Diseño de patrones de flujo de trabajo confiables
  • Observabilidad y monitoreo
  • Solucionamiento de problemas comunes de Kubeflow

Temas Avanzados (Opcional)

  • Entornos de Kubeflow multiinquilino
  • Escenarios de despliegue híbrido y multi-clúster
  • Extensión de Kubeflow con componentes personalizados

Resumen y Próximos Pasos

Requerimientos

  • Comprensión de aplicaciones contenerizadas
  • Experiencia con flujos de trabajo básicos de línea de comandos
  • Conocimiento de los conceptos de Kubernetes

Público Objetivo

  • Practicantes de ML
  • Científicos de datos
  • Equipos de DevOps nuevos en Kubeflow

Número de participantes


Precio por participante

Reseñas (4)

Próximos cursos

Categorías Relacionadas