Kursplan

Introduksjon til containerisering for AI & ML

  • Kjernekonsepter i containerisering
  • Hvorfor containers er ideelle for ML-oppgaver
  • Væsentlige forskjeller mellom containers og virtuelle maskiner

Arbeide med Docker-avbildninger og -containers

  • Forståelse av avbildninger, lag og registre
  • Administrering av containers for ML-eksperimentering
  • Effektiv bruk av Docker CLI

Paking av ML-miljøer

  • Forberedelse av ML-kodebasen for containerisering
  • Administrasjon av Python-miljøer og -avhengigheter
  • Integrering av CUDA og GPU-støtte

Bygge Dockerfiler for maskinlæring

  • Strukturering av Dockerfiler for ML-prosjekter
  • Best praksis for ytelse og vedlikeholdbarhet
  • Bruk av flerstadiers byggprosesser

Containerisering av ML-modeller og -pipelines

  • Paking av trente modeller i containers
  • Administrasjon av data og lagringsstrategier
  • Distribuering av reproducerbare slutt-til-slutt arbeidsflyter

Kjøring av containeriserte ML-tjenester

  • Eksponering av API-endepunkter for modellinferens
  • Skalering av tjenester med Docker Compose
  • Overvåking av runtime-adferd

Sikkerhets- og overholdelsesaspekter

  • Sikring av sikre containerkonfigurasjoner
  • Administrasjon av tilgang og autentiseringsnøkler
  • Behandling av konfidensielle ML-ressurser

Distribusjon i produksjonsmiljøer

  • Publisering av avbildninger til containerregistre
  • Distribuering av containers i on-prem eller skyoppsett
  • Versionering og oppdatering av produksjonstjenester

Oppsummering og neste skritt

Krav

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

Målgruppe

  • ML-ingeniører som distribuerer modeller til produksjon
  • Datasvitere som administrerer reproducerbare eksperimenteringsmiljøer
  • AI-utviklere som bygger skalerbare containeriserte applikasjoner
 14 Timer

Antall deltakere


Pris per deltaker

Referanser (5)

Kommende kurs

Relaterte kategorier