Návrh Školení

Úvod do kontejnerizace pro AI a ML

  • Základní koncepty kontejnerizace
  • Proč jsou kontejnery ideální pro úlohy strojového učení
  • Klíčové rozdíly mezi kontejnery a virtuálními počítači

Práce s Docker obrazy a kontejnery

  • Porozumění obrázkům, vrstvám a registram
  • Správa kontejnerů pro ML experimentování
  • Efektivní použití Docker CLI

Balení ML prostředí

  • Příprava základů strojového učení pro kontejnerizaci
  • Správa Python prostředí a závislostí
  • Integrace CUDA a podpory GPU

Sestavování Dockerfile pro strojové učení

  • Struktura Dockerfile pro ML projekty
  • Osobitné postupy pro výkon a údržbu
  • Použití multi-stage builds

Kontejnerizace ML modelů a kanálů

  • Balení natrénovaných modelů do kontejnerů
  • Správa dat a strategií ukládání
  • Nasazení reprodukovatelných koncových až koncových pracovních postupů

Spouštění kontejnerizovaných ML služeb

  • Vystavování API endpointů pro modelové inferenci
  • Škálování služeb s Docker Compose
  • Monitoring runtime chování

Aspekty bezpečnosti a dodržování norm

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

Nasazení do produkčních prostředí

  • Publikování obrázků do registru kontejnerů
  • Nasazení kontejnerů v on-prem nebo cloud prostředích
  • Verzování a aktualizace produkčních služeb

Shrnutí a další kroky

Požadavky

  • Základní znalost pracovních postupů strojového učení
  • Praxe s Pythonem nebo podobnými programovacími jazyky
  • Znalost základních operací na příkazové řádce Linuxu

Cílová skupina

  • ML inženýři nasazující modely do produkce
  • Data scientists spravující reprodukovatelné experimentální prostředí
  • AI vývojáři budující škálovatelné kontejnerizované aplikace
 14 Hodiny

Počet účastníků


Cena za účastníka

Reference (5)

Nadcházející kurzy

Související kategorie