Kom i kontakt

Kursplan

Introduktion till containerisering för AI och ML

  • Grundläggande koncept inom containerisering
  • Varför containrar är idealiska för ML-betraktelser
  • De viktigaste skillnaderna mellan containrar och virtuella maskiner

Att arbeta med Docker-images och containrar

  • Att förstå images, lager och registrier
  • Hantera containrar för ML-experiment
  • Använda Docker CLI effektivt

Att förpacka ML-miljöer

  • Förbereda ML-kodbaser för containerisering
  • Hantera Python-miljöer och beroenden
  • Integrera CUDA och GPU-stöd

Att bygga Dockerfiler för maskininlärning

  • Strukturera Dockerfiler för ML-projekt
  • Stora praxis för prestanda och underhållbarhet
  • Använda multi-stage builds

Att containerisera ML-modeller och arbetsflöden

  • Förpacka utbildade moduler i containrar
  • Hantera data- och lagringsstrategier
  • Implementera reproducerbara arbetsflöden från start till mål

Köra containeriserade ML-tjänster

  • Exponera API-ändpunkter för modellinferens
  • Skalning av tjänster med Docker Compose
  • Övervaka beteende under körning

Överväganden kring säkerhet och afterlevnad

  • Säkerställa säkra containerkonfigurationer
  • Hantera åtkomst och autentiseringsuppgifter
  • Hantera konfidentiella ML-tillgångar

Implementering i produktionsmiljöer

  • Publicera images till containerregistrier
  • Implementera containrar i on-prem eller molnkonfigurationer
  • Versionshantering och uppdatering av produktjontjänster

Sammanfattning och nästa steg

Krav

  • En förståelse för maskininlärningsarbetsflöden
  • Erfarenhet av Python eller liknande programmeringsspråk
  • Kunskap om grundläggande Linux-kommandoradsoperationer

Målgrupp

  • ML-ingenjörer som implementerar moduler till produktion
  • Datawissenschaftler som hanterar reproducerbara experimentmiljöer
  • AI-utvecklare som bygger skalbara containeriserade applikationer
 14 Timmar

Antal deltagare


Pris per deltagare

Vittnesmål (3)

Kommande Kurser

Relaterade Kategorier