Návrh Školení

Úvod do containerizace pro AI & ML

  • Základní koncepty containerizace
  • Proč jsou kontejnery ideální pro úlohy ML
  • Klíčové rozdíly mezi kontejnery a virtuálními stroji

Práce s Docker image a kontejnery

  • Porozumění obrazům, vrstvám a registram
  • Správa kontejnerů pro experimenty s ML
  • Efektivní použití Docker CLI

Balení ML prostředí

  • Příprava základů kódu pro containerizaci
  • Správa Python prostředí a závislostí
  • Integrace CUDA a podpory GPU

Vytváření Dockerfile pro strojové učení

  • Strukturování Dockerfile pro ML projekty
  • Osobní doporučené postupy pro výkon a udržitelnost
  • Používání multi-stage builds

Containerizace ML modelů a pipeline

  • Balení trénovaných modelů do kontejnerů
  • Správa dat a strategií ukládání
  • Nasazování reprodukovatelných koncových pracovních postupů

Spouštění containerizovaných ML služeb

  • Expozice API endpointů pro inferenci modelu
  • Měřítkování služeb pomocí Docker Compose
  • Monitorování běhového chování

Bezpečnostní a dodržovací požadavky

  • Zajištění bezpečných konfigurací kontejnerů
  • Správa přístupu a přihlašovacích údajů
  • Zpracování důvěrných ML aktiv

Nasazování do produkčních prostředí

  • Publikování obrazů v registrech kontejnerů
  • Nasazování kontejnerů ve vlastním nebo cloudovém prostředí
  • Verzování a aktualizace produkčních služeb

Shrnutí a další kroky

Požadavky

  • Porozumění pracovním postupům strojového učení
  • Zkušenosti s programovacími jazyky jako Python nebo podobné
  • Osmělování se základními operacemi na příkazové řádce Linuxu

Cílová skupina

  • Inženýři ML nasazující modely do produkce
  • Data scientisci spravující reprodukovatelné experimentální prostředí
  • Vývojáři AI vytvářející škálovatelné containerizované aplikace
 14 hodiny

Počet účastníků


Cena za účastníka

Reference (5)

Nadcházející kurzy

Související kategorie