Visão Geral

O curso "Mastering Kubeflow for Machine Learning Workflows" oferece um treinamento abrangente para dominar o Kubeflow, uma poderosa plataforma de código aberto voltada para o desenvolvimento, treinamento e implantação de modelos de machine learning em escala. Ao longo deste curso, você aprenderá a construir pipelines eficientes, automatizar fluxos de trabalho, monitorar e gerenciar seus modelos de machine learning, além de utilizar o Kubeflow em ambientes de produção.

Objetivo

Após realizar este curso "Mastering Kubeflow for Machine Learning Workflows", você será capaz de:

• Compreender os conceitos fundamentais do Kubeflow e sua arquitetura.
• Criar e gerenciar pipelines de machine learning usando Kubeflow Pipelines.
• Treinar, servir e monitorar modelos de machine learning em um cluster Kubernetes.
• Automatizar o processo de treinamento e implantação de modelos com Kubeflow.
• Integrar o Kubeflow com ferramentas e serviços de machine learning em produção.
• Utilizar boas práticas para escalabilidade, segurança e monitoramento de workflows de machine learning.

Publico Alvo

• Cientistas de dados e engenheiros de machine learning que desejam automatizar e escalar seus fluxos de trabalho.
• Profissionais de DevOps interessados em implementar fluxos de machine learning em ambientes Kubernetes.
• Desenvolvedores que trabalham com IA e machine learning e que querem aprender a utilizar Kubeflow.
• Arquitetos de soluções de dados que desejam integrar Kubeflow em suas infraestruturas.

Pre-Requisitos

• Conhecimentos básicos de Kubernetes e Docker.
• Experiência em machine learning e frameworks como TensorFlow, PyTorch ou Scikit-learn.
• Noções de CI/CD e fluxos de trabalho automatizados.

Informações Gerais

• Curso ao vivo via Microsoft Teams, na presença de um instrutor/consultor ativo no mercado e docente em sala de aula.
• Curso prático, com um aluno por micro, realizando atividades de laboratório em ambientes controlados.
• Laboratório individual disponibilizado no dia do curso.
• Apostilas e materiais de apoio complementam o aprendizado.
• A metodologia combina teoria e prática ao longo do curso, permitindo aos alunos entenderem o fluxo de machine learning com Kubeflow desde o início até a produção.

Materiais

Conteúdo Programatico

Part 1: Introduction to Kubeflow

Module 1.1: What is Kubeflow?

1. Understanding Kubeflow and its components
2. Kubeflow vs. other ML platforms

Module 1.2: Setting up Kubeflow

1. Installation on Kubernetes
2. Exploring the Kubeflow UI and dashboards

Part 2: Building ML Pipelines

Module 2.1: Introduction to Kubeflow Pipelines

1. Designing and constructing ML pipelines
2. Using Jupyter notebooks in Kubeflow

Module 2.2: Managing Data in Kubeflow

1. Data ingestion, processing, and versioning
2. Integrating external data sources

Part 3: Advanced Pipelines and Hyperparameter Tuning

Module 3.1: Advanced ML Pipelines

1. Using pre-built components and containers
2. Creating custom pipeline components

Module 3.2: Hyperparameter Tuning with Katib

1. Overview of Katib
2. Setting up and running hyperparameter tuning experiments

Part 4: Model Serving and Scaling

Module 4.1: Serving Models with Kubeflow

1. Introduction to KFServing
2. Deploying and managing model servers

Module 4.2: Autoscaling ML Models

1. Scaling model inference
2. Performance optimization strategies

Part 5: MLOps with Kubeflow

Module 5.1: Kubeflow for MLOps

1. Continuous integration and delivery (CI/CD) for ML models
2. Best practices for ML lifecycle management

Module 5.2: Course Capstone Project

1. Applying learned skills to a real-world problem
2. Group presentations of projects