Zkuste nás kontaktovat
 Doba trvání 14 hodiny

Návrh Školení

Úvod do kontejnerizace pro AI a ML

  • Základní koncepty kontejnerizace
  • Proč jsou kontejnery ideální pro workloady ML
  • Klíčové rozdíly mezi kontejnery a virtualizačními stroje

Práce s Docker obrázky a kontejnery

  • Chápení obrázků, vrstev a registrů
  • Správa kontejnerů pro experimentování s ML
  • Efektivní použití Docker CLI

Balizace prostředí ML

  • Příprava kódových základny ML pro kontejnerizaci
  • Správa Python prostředí a závislostí
  • Integrace podpory CUDA a GPU

Tvorba Dockerfiles pro strojové učení

  • Strukturace Dockerfiles pro projekty ML
  • Dobré praktiky pro výkon a udržitelnost
  • Použití vícefázového sestavování (multi-stage builds)

Kontejnerizace modelů a pipeline ML

  • Balizace vycvičených modelů do kontejnerů
  • Správa strategií dat a úložišť
  • Nasazování reprodukovatelných end-to-end workflowů

Spuštění kontejnerizovaných služeb ML

  • Umožnění API endpointů pro inferenci modelů
  • Masivní škálování služeb pomocí Docker Compose
  • Monitorování chování za běhu

Zohlednění bezpečnosti a souladu s předpisy

  • Zajištění bezpečných konfigurací kontejnerů
  • Správa přístupových práv a přihlašovacích údajů
  • Práce s důvěrnými aktivami ML

Nasazení do produkčních prostředí

  • Publikování obrázků do kontejnerových registrů
  • Nasazení kontejnerů v on-prem nebo cloudových nastaveních
  • Verzování a aktualizace produkčních služeb

Shrnutí a další kroky

Požadavky

  • Rozumění workflowům strojového učení
  • Zkušenosti s programovacím jazykem Python nebo srovnatelnými jazyky
  • Znalost základních operací v Linuxovém příkazovém řádku

Cílová skupina

  • Inženýři ML nasazující modely do produkce
  • Data vědci spravující reprodukovatelná experimentální prostředí
  • Vývojáři AI vytvářející škálovatelné kontejnerizované aplikace

Počet účastníků


Cena za účastníka

Reference (2)

Nadcházející kurzy

Související kategorie