Kursplan

Introduktion till containerisering för AI & ML

  • Kärnkoncept inom containerisering
  • Varför containrar är idealiska för ML-arkiv
  • Huvudsakliga skillnader mellan containrar och virtuella maskiner

Arbeta med Docker-avbildningar och -containrar

  • Förstå avbildningar, lager och register
  • Hantera containrar för ML-experiment
  • Använda Docker CLI effektivt

Paketering av ML-miljöer

  • Förberedelse av ML-kodbasar för containerisering
  • Hantering av Python-miljöer och beroenden
  • Integrering av CUDA och GPU-stöd

Bygga Dockerfiles för maskininlärning

  • Strukturering av Dockerfiles för ML-projekt
  • Bästa praxis för prestanda och underhållbarhet
  • Användning av flerfasbygder

Containerisera ML-modeller och -pipelines

  • Paketering av tränade modeller i containrar
  • Hantering av data och lagringstaktiker
  • Distribuera reproducerbara slut-till-slut arbetsflöden

Körning av containeriserade ML-tjänster

  • Exponering av API-slutpunkter för modellinference
  • Skalning av tjänster med Docker Compose
  • Övervakning av runtime-beteende

Säkerhets- och kompliansöverväganden

  • Säkerställa säkra containerkonfigurationer
  • Hantering av åtkomst och autentiseringsuppgifter
  • Hantering av konfidentiella ML-aktiver

Distribuera till produktionssystem

  • Publicering av avbildningar i containerregister
  • Distribuera containrar i lokala eller molninstallationer
  • Versionering och uppdatering av produktionstjänster

Sammanfattning och nästa steg

Krav

  • Ett förstående för maskininlärningsarbetsflöden
  • Erfarenhet av Python eller liknande programmeringsspråk
  • Bekantskap med grundläggande Linux-kommandoradsoperationer

Målgrupp

  • ML-utvecklare som distribuerar modeller till produktion
  • Datavetare som hanterar reproducerbara experimentmiljöer
  • AI-utvecklare som bygger skalbara containeriserade applikationer
 14 timmar

Antal deltagare


Pris per deltagare

Vittnesmål (5)

Kommande Kurser

Relaterade Kategorier