Kom i kontakt

Kursplan

Grunderna i containerisering för MLOps

  • Förståelse för kraven i ML-livscykeln
  • Viktiga Docker-begrepp för ML-system
  • Bästa praxis för reproducerbara miljöer

Att bygga containeriserade ML-träningspipeliner

  • Packning av modelldräningskod och beroenden
  • Konfiguration av träningsjobb med hjälp av Docker-avbilder
  • Hantering av datasets och artefakter i container

Containerisering av validering och modelevaluering

  • Återskapning av utvärderingsmiljöer
  • Automatisering av valideringsarbetsflöden
  • Insamling av metrik och loggar från container

Containeriserad inferens och servering

  • Design av inferens-mikrotjänster
  • Optimering av körningscontainer för produktion
  • Implementering av skalbara serveringsarkitekturer

Pipelineorkestrering med Docker Compose

  • Koordination av multi-container ML-arbetsflöden
  • Isolering av miljöer och konfigurationshantering
  • Integration av stödtjänster (t.ex. spårning, lagring)

Versionhantering och livscykelhantering av ML-modeller

  • Spårning av modeller, avbilder och pipelinekomponenter
  • Versionstyrda containermiljöer
  • Integration av MLflow eller liknande verktyg

Redigering och skalning av ML-arbetsflöden

  • Körning av pipeliner i distribueterade miljöer
  • Skalning av mikrotjänster med Docker-inhemskt tillvägagångssätt
  • Övervakning av containeriserade ML-system

CI/CD för MLOps med Docker

  • Automatisering av bygg- och redigeringsprocesser för ML-komponenter
  • Testning av pipeliner i containeriserade staging-miljöer
  • Säkerställande av reproducerbarhet och rollbacks

Sammanfattning och nästa steg

Krav

  • Förståelse för machine learning-arbetsflöden
  • Erfarenhet av Python för data- eller modelldutveckling
  • Kännedom till grundläggande containerbegrepp

Målgrupp

  • MLOps-ingenjörer
  • DevOps-specialister
  • Team inom dataplattformar
 21 Timmar

Antal deltagare


Pris per deltagare

Vittnesmål (3)

Kommande Kurser

Relaterade Kategorier