Kurzusleírás

Bevezetés a konténerizálásba AI & ML területén

  • A konténerizálás alapvető fogalmai
  • Miért ideálisak a konténerek ML munkaterhelésekhez
  • A konténerek és virtuális gépek közötti főbb különbségek

Docker image-ek és konténerek kezelése

  • Image-ek, rétegek és nyilvántartások megértése
  • Konténerek kezelése ML kísérletekhez
  • A Docker CLI hatékony használata

ML környezetek csomagolása

  • ML kódbázisok előkészítése konténerizáláshoz
  • Python környezetek és függőségek kezelése
  • CUDA és GPU támogatás integrálása

Dockerfile-ok készítése gépi tanuláshoz

  • Dockerfile-ok strukturálása ML projektekhez
  • Ajánlott eljárások a teljesítmény és karbantarthatóság érdekében
  • Többszintű build-ek használata

ML modellek és folyamatok konténerizálása

  • Betanított modellek csomagolása konténerekbe
  • Adatok és tárolási stratégiák kezelése
  • Reprodukálható end-to-end munkafolyamatok üzembe helyezése

Konténerizált ML szolgáltatások futtatása

  • API végpontok közzététele modell inferenciához
  • Szolgáltatások skálázása Docker Compose-szal
  • Futási viselkedés monitorozása

Biztonsági és megfelelőségi szempontok

  • Biztonságos konténer konfigurációk biztosítása
  • Hozzáférés és hitelesítő adatok kezelése
  • Bizalmas ML eszközök kezelése

Üzemi környezetekbe történő telepítés

  • Image-ek közzététele konténer nyilvántartókban
  • Konténerek üzembe helyezése helyszíni vagy felhő alapú környezetekben
  • Verziókezelés és üzemi szolgáltatások frissítése

Összefoglalás és következő lépések

Követelmények

  • A gépi tanulási munkafolyamatok ismerete
  • Tapasztalat Python vagy hasonló programozási nyelvekkel
  • Alapvető Linux parancssori műveletek ismerete

Közönség

  • ML mérnökök, akik modelleket helyeznek üzembe
  • Adattudósok, akik reprodukálható kísérleti környezeteket kezelnek
  • AI fejlesztők, akik skálázható konténerizált alkalmazásokat építenek
 14 Órák

Résztvevők száma


Ár per résztvevő

Vélemények (5)

Közelgő kurzusok

Rokon kategóriák