Ta kontakt

Kursplan

Introduksjon til containerisering for KI & ML

  • Kjernekonsepter i containerisering
  • Hvorfor containere er ideelle for ML-arbeidsmengder
  • Viktige forskjeller mellom containere og virtuelle maskiner

Å jobbe med Docker-bilder og containere

  • Å forstå bilder, lag og registrarer
  • Administrere containere for ML-eksperimentering
  • Effektiv bruk av Docker CLI

Pakking av ML-omgivelser

  • Forberede ML-kodebasene for containerisering
  • Administrere Python-omgivelser og avhengigheter
  • Integrasjon av CUDA og GPU-støtte

Bygging av Dockerfiler for maskinlæring

  • Strukturere Dockerfiler for ML-prosjekter
  • Beste praksis for ytelse og vedlikeholdbarhet
  • Bruk av flerstegs-bygging

Containerisering av ML-modeller og piper

  • Pakking av trentede modeller inn i containere
  • Administrasjon av data og lagringsstrategier
  • Utforming av reproduserbare end-to-end arbeidsflyter

Kjøring av containeriserte ML-tjenester

  • Å eksponere API-sluttpunkter for modellinferanse
  • Å skalere tjenester med Docker Compose
  • Overvåking av kjøreoppførsel

Overveielser for sikkerhet og samsvar

  • Sikre trygge containeroppsett
  • Administrere tilgang og autentiseringsopplysninger
  • Behandle konfidensielle ML-ressurser

Utforming til produksjonsomgivelser

  • Publisering av bilder til containerregistrarer
  • Utforming av containere i on-prem eller skyoppsett
  • Versjonering og oppdatering av produksjonstjenester

Oppsummering og neste trinn

Krav

  • En forståelse av maskinlæringsarbeidsflyter
  • Erfaring med Python eller lignende programmeringsspråk
  • Kjennskap til grunnleggende kommandolinjeoperasjoner i Linux

Targetgruppe

  • ML-ingeniører som ruller ut modeller til produksjon
  • Datafagfolk som administrerer reproduserbare eksperimentomgivelser
  • KI-utviklere som bygger skalerbare containeriserte applikasjoner
 14 Timer

Antall deltakere


Pris per deltaker

Referanser (3)

Kommende kurs

Relaterte kategorier