Lépjen kapcsolatba velünk

Kurzusleírás

A konténerizáció alapjai az MLOps-ban

  • ML életszükségletek megértése
  • Fő Docker fogalmak ML rendszerekhez
  • Legjobb gyakorlatok reproduktív környezetekhez

Konténeres ML betanítási folyamatok építése

  • Modellbetanítási kód és függőségek csomagolása
  • Betanítási feladatok konfigurálása Docker-képekkel
  • Adatsetek és artefaktumok kezelése konténerekben

Validálás és modellelértékelés konténerizálása

  • Értékelési környezetek reprodukálása
  • Validálási munkafolyamatok automatizálása
  • Mutatók és naplók rögzítése konténerekből

Konténeres inferencia és szolgáltatásnyújtás

  • Inferencia mikroszolgáltatások tervezése
  • Futtatási konténerek optimalizálása éles környezetbe
  • Méretezhető szolgáltatásnyújtó architektúrák implementálása

Folyamatirányítás Docker Compose használatával

  • Több konténert tartalmazó ML munkafolyamatok koordinálása
  • Környezeti izoláció és konfigurációkezelés
  • Támogató szolgáltatások integrálása (pl. nyomkövetés, tárolás)

ML modellek verziózása és életciklus-kezelése

  • Modellek, képek és folyamatkomponensek követése
  • Verziózott konténeres környezetek
  • MLflow vagy hasonló eszközök integrálása

ML terhelések telepítése és méretezése

  • Folyamatok futtatása elosztott környezetekben
  • Mikroszolgáltatások méretezése Docker-natív megközelítésekkel
  • Konténeres ML rendszerek figyelése

CI/CD az MLOps-ban Docker használatával

  • ML komponensek buildelésének és telepítésének automatizálása
  • Folyamatok tesztelése konténeres staging környezetben
  • Reproduktivitás és visszavonás biztosítása

Összefoglaló és következő lépések

Követelmények

  • A gépi tanulás munkafolyamatainak megértése
  • Python-használati tapasztalat adatok vagy modellek fejlesztéséhez
  • Konténerek alapjai iránti ismeret

Célközönség

  • MLOps mérnökök
  • DevOps gyakorlók
  • Adatplatform csapatok
 21 Órák

Résztvevők száma


Ár per résztvevő

Vélemények (3)

Közelgő kurzusok

Rokon kategóriák