Ta kontakt
 Varighet 14 timer

Kursplan

Introduksjon til containerisering for KI og ML

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

Å jobbe med Docker-bilder og containere

  • Å forstå bilder, lag og registre
  • Å administrere containere for ML-eksperimentering
  • Å bruke Docker CLI effektivt

Pakking av ML-miljøer

  • Å forberede ML-kodesett for containerisering
  • Å administrere Python-miljøer og avhengigheter
  • Integrasjon av CUDA og GPU-støtte

Å bygge Dockerfiler for maskininlæring

  • Å strukturere Dockerfiler for ML-projekter
  • Beste praksis for ytelse og vedlikeholdbarhet
  • Å bruke flerstegs-bygging

Containerisering av ML-modeller og -pipelines

  • Å pakke inn trente modeller i containere
  • Å administrere data- og lagringsstrategier
  • Å distribuere reproduksible slutt-til-slutt-workflows

Å kjøre containeriserte ML-tjenester

  • Å eksponere API-endepunkter for modellinferanse
  • Å skalere tjenester med Docker Compose
  • Å overvåke kjøtetidsgenerell oppførsel

Sikkerhets- og samsvarsovervegelser

  • Å sikre trygge containerkonfigurasjoner
  • Å administrere tilgang og legitimasjon
  • Håndtering av fortrolige ML-ressurser

Distribusjon til produksjonsmiljøer

  • Å publisere bilder til containerregistre
  • Å distribuere containere i lokale eller skybaserte oppsett
  • Å versjonere og oppdatere produksjonstjenester

Oppsummering og neste steg

Krav

  • Forståelse av maskininlæringsarbeidsfløy
  • Erfaring med Python eller lignende programmeringsspråk
  • Kjennskap til grunnleggende Linux-kommandolinjeverktøy

Målgruppe

  • ML-ingeniører som distribuerer modeller til produksjon
  • Dataforskere som administrerer reproduksible eksperimentmiljøer
  • KI-utviklere som bygger skalerbare containeriserte applikasjoner

Antall deltakere


Pris per deltaker

Referanser (2)

Kommende kurs

Relaterte kategorier