Kursplan

Introduksjon til containerisering for AI & ML

  • Kjernekonsepter i containerisering
  • Hvorfor containerer er ideale for ML-oppgaver
  • Vesentlige forskjeller mellom containerer og virtuelle maskiner

Arbeid med Docker-bilder og -containerer

  • Forståelse av bilder, lag og register
  • Administrere containerer for ML-eksperimentering
  • Bruk Docker CLI effektivt

Pakkering av ML-miljøer

  • Forberede ML-kodebasen for containerisering
  • Administrere Python-miljøer og -avhengigheter
  • Integrere CUDA og GPU-støtte

Bygge Dockerfiler for maskinlæring

  • Strukturere Dockerfiler for ML-prosjekter
  • Beste praksis for ytelse og vedlikeholdbarhet
  • Bruk multi-stage builds

Containerisering av ML-modeller og -pipelines

  • Pakkering av trente modeller i containerer
  • Administrere data- og lagerstrategier
  • Distribuere gjenbruksbare end-to-end-arbeidsflyter

Kjøring av containeriserte ML-tjenester

  • Eksponere API-sluttpunkter for modellinferens
  • Skalering av tjenester med Docker Compose
  • Overvåking av kjøretidsatferd

Sikkerhets- og overholdelsesaspekter

  • Sikre sikre containerkonfigurasjoner
  • Administrere tilgang og legitimasjon
  • Håndtering av konfidensielle ML-ressurser

Distribusjon til produksjonsmiljøer

  • Publisering av bilder til containerregister
  • Distribuere containerer i on-prem eller skyoppsett
  • Versjonering og oppdatering av produksjonstjenester

Oppsummering og neste steg

Krav

  • Forståelse av maskinlæringsarbeidsflyter
  • Erfaring med Python eller lignende programmeringsspråk
  • Familiaritet med grunnleggende Linux-kommandolinjeoperasjoner

Målgruppe

  • ML-innfristers som distribuerer modeller til produksjon
  • Datasvitere som administrerer gjenbruksbare eksperimenteringsmiljøer
  • AI-utviklere som bygger skalerbare containeriserte applikasjoner
 14 timer

Antall deltakere


Pris per deltaker

Referanser (5)

Kommende kurs

Relaterte kategorier