연락처 정보

코스 개요

Kubeflow 개요

  • Kubeflow의 설립 목적 및 아키텍처 이해하기
  • 핵심 구성 요소와 생태계 전반에 대한 소개
  • 다양한 배포 방안과 플랫폼 기능 설명

Kubeflow 대시보드 활용법

  • 사용자 인터페이스 탐색 및 조작 방법
  • 노트북과 작업 공간의 관리 기법
  • 저장소 및 데이터 소스와의 연동 방안

Kubeflow Pipelines의 기초

  • 파이프라인 구조 및 컴포넌트 설계 원리
  • Python SDK를 이용한 파이프라인 작성 방법
  • 파이프라인 실행 관리, 스케줄링 및 모니터링 절차

Kubernetes 환경에서의 머신러닝 훈련

  • 분산 처리 방식을 활용한 모델 훈련 기법
  • TFJob, PyTorchJob 등 관련 오퍼레이터의 사용 방법
  • Kubernetes 내 리소스 할당 및 자동 확장 설정

Kubeflow를 통한 모델 서비스 구축

  • KFServing / KServe의 개념 및 활용 시나리오
  • 사용자 지정 런타임 환경을 적용한 모델 배포 방법
  • 버전 관리, 확장 설정 및 트래픽 라우팅 정책 설정

Kubernetes 기반 머신러닝 워크플로우 운영 전략

  • 데이터, 모델 및 아티팩트의 버전 관리 방식
  • 머신러닝 파이프라인을 위한 CI/CD 통합 절차
  • 보안 정책 및 역할 기반 접근 제어 설정 방법

프로덕션 환경에서의 머신러닝 운영 최적화 방안

  • 신뢰성 높은 워크플로우 설계 기법
  • 실시간 모니터링 체계 및 관측 가능성 확보 방법
  • 흔히 발생하는 Kubeflow 관련 문제의 해결 전략

고급 주제 (선택 사항)

  • 다중 사용자 환경을 위한 Kubeflow 구축 방법
  • 하이브리드 및 멀티 클러스터 환경에서의 배포 전략
  • 커스텀 컴포넌트 개발을 통한 Kubeflow 기능 확장

요약 및 향후 학습 방향 안내

요건

  • 컨테이너화된 애플리케이션에 대한 기본 이해
  • 명령줄 환경에서의 작업 경험
  • Kubernetes의 개념 및 운영 원리에 대한 지식

수강 대상

  • 머신러닝 실무자
  • 데이터 사이언티스트
  • Kubeflow을 처음 접하는 DevOps 팀 구성원
 14 시간

참가자 수


참가자별 가격

회원 평가 (4)

예정된 코스

관련 카테고리