Maschinelles Lernen auf Kubernetes mit Kubeflow

Seminarziel

Das Seminar soll ihnen zeigen, wie sie ML-Workflows mithilfe von  Kubeflow skalierbar und effizient gestalten können. Dadurch können sie  ihre ML-Infrastruktur verbessern und die Produktivität ihrer  Datenwissenschaftler und Entwickler steigern. Zudem erhalten sie Best  Practices für den Einsatz von Kubernetes und Kubeflow, um Ressourcen  besser zu verwalten und Kosten zu optimieren. Die Schulung fördert auch  die Zusammenarbeit zwischen den Teams, da wiederverwendbare Komponenten  und Code-Definitionen ermöglicht werden.

Inhalt

•  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