0521 968 7740Mo–Fr, 8–17 Uhr
Unternehmen mit Kubernetes-Strategie brauchen eine belastbare Verbindung zwischen Experiment, Training und Bereitstellung. Diese Schulung zeigt Kubeflow als Plattform, auf der Data-Science-Teams in Notebook-Umgebungen arbeiten und Plattform-Teams die technischen Leitplanken setzen. Du startest mit der Einordnung der Kubeflow-Komponenten im Cluster und richtest den Übungsablauf über Namespaces, Service-Accounts und Rollen aus. Anschließend wird ein Python-basiertes ML-Beispiel in Kubeflow Pipelines überführt. Jede Pipeline-Komponente erhält eigene Eingaben, Ausgaben und Artefakte, damit Läufe wiederholbar und vergleichbar bleiben. Das Experiment Tracking nutzt Run-Parameter, Metriken und Modellartefakte, um Entscheidungen im Modelllebenszyklus nachvollziehbar zu dokumentieren. Für Training Jobs betrachtet das Seminar Ressourcenanforderungen, Images und Operator-gestützte Ausführung auf Kubernetes. Im Deployment-Teil wird das Modell als KServe InferenceService bereitgestellt und über Storage-URIs angebunden. Der CI/CD-Abschnitt zeigt, wie Änderungen an Pipeline-Code, Container-Images und Manifests strukturiert durch den Lieferprozess laufen. Der MLOps Kubernetes Kurs ist damit besonders passend für Teams, die Kubeflow als gemeinsame Arbeitsfläche für Machine Learning auf Kubernetes bewerten oder einführen. Das Kubeflow Pipelines Training liefert den roten Faden, die ML-Plattform-Schulung ergänzt Betrieb, Rechtekonzepte und Deployment-Anbindung.
