Zkuste nás kontaktovat

Návrh Školení

Úvod do virtualizace prostřednictvím kontejnerů pro AI a ML

  • Základní koncepty kontejnerizace
  • Proč jsou kontejnery ideální pro úlohy strojového učení
  • Hlavní rozdíly mezi kontejnery a virtualizačními stroji

Práce s obrazy a kontejnery Dockeru

  • Rozumění obrazům, vrstvám a registrům
  • Správa kontejnerů pro experimentování s ML
  • Účinné využití CLI Dockeru

Balíčky prostředí ML

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

Vytváření souborů Dockerfile pro strojové učení

  • Strukturace souborů Dockerfile pro projekty ML
  • Nejlepší praktiky pro výkon a udržitelnost
  • Použití víceúrovňových sestav (multi-stage builds)

Kontejnerizace modelů a pipeline ML

  • Balíčky vytrénovaných modelů do kontejnerů
  • Správa dat a úložištních strategií
  • Nasazování reprodukovatelných end-to-end pracovních toků

Spouštění kontejnerizovaných služeb ML

  • Zveřejnění bodů přístupu API pro inferenci modelů
  • Masové škálování služeb pomocí Docker Compose
  • Monitoring běhového chování

Zvažení bezpečnosti a souladu

  • Zajištění bezpečných konfigurací kontejnerů
  • Správa přístupu a přihlašovacích údajů
  • Práce s důvěrnými aktivy ML

Nasazení do produkčních prostředí

  • Zveřejnění obrázů v registrech kontejnerů
  • Nasazení kontejnerů v on-prem nebo cloudových nastaveních
  • Verzování a aktualizace produkčních služeb

Shrnutí a další kroky

Požadavky

  • Porozumění pracovním postupům strojového učení
  • Zkušenosti s programovacím jazykem Python nebo podobnými
  • Oznámenost s základními operačními příkazy linuxové příkazové řádky

Cílová skupina

  • Inženýři ML nasazující modely do produkce
  • Vědci o datech spravující reprodukovatelná experimentální prostředí
  • Vývojáři AI vytvářející škálovatelné kontejnerizované aplikace
 14 Hodiny

Počet účastníků


Cena za účastníka

Reference (3)

Nadcházející kurzy

Související kategorie