Ta kontakt

Kursplan

Grunnlag for kapslisering for MLOps

  • Forståelse av ML-livssykluskrav
  • Viktige Docker-konsepter for ML-systemer
  • Beste praksis for reproduksjonsevnemiljøer

Bygging av kapsliserte ML-treningpiper

  • Pakking av kode for modelltrening og avhengigheter
  • Konfigurasjon av treningsjobber ved hjelp av Docker-bilder
  • Forvaltning av datasets og artefakter i kapsler

Kapslisering av validering og modellvurdering

  • Reproduksjon av vurderingsmiljøer
  • Automatisering av valideringsarbeidsflyter
  • Opptak av metrikker og logger fra kapsler

Kapslisert inferanse og servering

  • Design av inferans mikro-tjenester
  • Optimalisering av kjøretidskapsler for produksjon
  • Implementering av skalbar serveringsarkitektur

Pipelineorkestrering med Docker Compose

  • Kordinering av fler-kapsel ML-arbeidsflyter
  • Miljøisolering og konfigurasjonsforvaltning
  • Integrasjon av støttende tjenester (f.eks. sporing, lagring)

Versjonering og livssyklusforvaltning for ML-modeller

  • Sporing av modeller, bilder og pipelinekomponenter
  • Versjonskontrollerte kapselmiljøer
  • Integrasjon av MLflow eller lignende verktøy

Utbredelse og skalering av ML-arbeidslast

  • Kjøring av pipelines i distribuerte miljøer
  • Skalering av mikro-tjenester ved hjelp av Docker-innfødt tilnærming
  • Overvåking av kapsliserte ML-systemer

CI/CD for MLOps med Docker

  • Automatisering av bygg og utbredelse av ML-komponenter
  • Testing av pipelines i kapsliserte stagingmiljøer
  • Sikring av reproduksjonsevne og tilbakeslag

Oppsummering og neste steg

Krav

  • Forståelse av maskinlæringsarbeidsflyter
  • Erfaring med Python for data- eller modellutvikling
  • Kjennskap til grunnleggende begreper innen kapsler

Målgruppe

  • MLOps-ingeniører
  • DevOps-fagpersoner
  • Dataplattformteam
 21 Timer

Antall deltakere


Pris per deltaker

Referanser (3)

Kommende kurs

Relaterte kategorier