Ponte en Contacto
 Duración 14 horas

Temario del curso

Introducción a Kubeflow

  • Comprensión de la misión y la arquitectura de Kubeflow
  • Visión general de los componentes principales y el ecosistema
  • Opciones de despliegue y capacidades de la plataforma

Trabajo con el panel de control de Kubeflow

  • Navegación por 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
  • Creación de pipelines con el SDK de Python
  • 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 escalado automático en Kubernetes

Servicio de modelos con Kubeflow

  • Visión general de KFServing / KServe
  • Despliegue de modelos con runtime personalizado
  • 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 flujos de trabajo confiables
  • Observabilidad y monitoreo
  • Solución de problemas de issues comunes de Kubeflow

Temas avanzados (Opcional)

  • Entornos de Kubeflow multitenant
  • Escenarios de despliegue híbrido y multi-cluster
  • Extensión de Kubeflow con componentes personalizados

Resumen y siguientes pasos

Requerimientos

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

Audiencia

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

Número de participantes


Precio por participante

Reseñas (4)

Próximos cursos

Categorías Relacionadas