Kursplan

Introduktion till containerisering för AI & ML

  • Kärnkoncepten i containerisering
  • Varför containrar är idealiska för ML-arbetsbelastningar
  • Huvudsakliga skillnader mellan containrar och virtuella maskiner

Arbete med Docker-avbildningar och containrar

  • Förståelse för avbildningar, lager och register
  • Hantering av containrar för ML-experiment
  • Effektiv användning av Docker CLI

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 flerfasbygg

Containerisering av ML-modeller och pipeliner

  • Paketering av tränade modeller i containrar
  • Hantering av data och lagringstrategier
  • Distribuering av reproducerbara slut-till-slut arbetsflöden

Körning av containeriserade ML-tjänster

  • Exponering av API-slutpunkter för modelinferens
  • Skalning av tjänster med Docker Compose
  • Övervakning av körningsbeteende

Sikkerhets- och regelansvarsöverväganden

  • Säkerställande av säkra containerkonfigurationer
  • Hantering av åtkomst och autentiseringsuppgifter
  • Hantering av konfidentiella ML-aktivtillgångar

Distribuering till produktionsmiljöer

  • Publikation av avbildningar i containrar
  • Distribuering av containrar i lokala eller molninstallationer
  • Versionhantering och uppdatering av produktionsmiljöer

Sammanfattning och nästa steg

Krav

  • En förståelse för maskininlärningsarbetsflöden
  • Erfarenhet av Python eller liknande programmeringsspråk
  • Bekantskap med grundläggande Linux-kommandoradoperationer

Målgrupp

  • ML-ingetörer som distribuerar modeller till produktion
  • Dataanalytiker som hanterar reproducerbara experimentmiljöer
  • AI-utvecklare som bygger skalbara containeriserade applikationer
 14 Timmar

Antal deltagare


Pris per deltagare

Vittnesmål (5)

Kommande Kurser

Relaterade Kategorier