Temario del curso

Introducción a Kubeflow

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

Trabajando con el Tablero de Kubeflow

  • Navegación en la interfaz de usuario
  • Administrar cuadernos y espacios de trabajo
  • Integrar almacenamiento y fuentes de datos

Fundamentos de Kubeflow Pipelines

  • Estructura de las pipelines y diseño de componentes
  • Crear pipelines con el SDK de Python
  • Ejecutar, programar y monitorear ejecuciones de pipelines

Entrenamiento de Modelos de ML en Kubeflow

  • Patrones de entrenamiento distribuido
  • Usar TFJob, PyTorchJob y otros operadores
  • Gestión de recursos y escalado automático en Kubernetes

Implementación de Modelos con Kubeflow

  • Visión general de KFServing / KServe
  • Implementar modelos con entornos de ejecución personalizados
  • Administrar revisiones, escalado y enrutamiento de tráfico

Gestión de Flujos de Trabajo de ML en Kubernetes

  • Versionado 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

  • Diseñar patrones de flujo de trabajo confiables
  • Observabilidad y monitoreo
  • Solución de problemas comunes en Kubeflow

Temas Avanzados (Opcionales)

  • Entornos de Kubeflow multiinquilino
  • Escenarios de implementación híbridos y multiclusterales
  • Extender Kubeflow con componentes personalizados

Resumen y Pasos Siguientes

Requerimientos

  • Comprensión de aplicaciones contenerizadas
  • Experiencia con flujos de trabajo básicos en la línea de comandos
  • Familiaridad con conceptos de Kubernetes

Audiencia

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

Número de participantes


Precio por participante

Testimonios (5)

Próximos cursos

Categorías Relacionadas