Zkuste nás kontaktovat

Návrh Školení

Základy containerizace pro MLOps

  • Pochopení požadavků životního cyklu strojového učení
  • Klíčové koncepty Dockeru pro systémy strojového učení
  • Doporučené postupy pro reprodukovatelná prostředí

Stavba containerizovaných pipeline pro trénink strojového učení

  • Balení kódu pro trénink modelu a závislostí
  • Nastavení trénovacích úkolů pomocí obrazů Docker
  • Správa sad dat a artefaktů v kontejneru

Containerizace validace a evaluace modelu

  • Reprodukce evaluačních prostředí
  • Automatizace workflowů validace
  • Zachycování metrik a logů z kontejneru

Containerizovaná inference a servisní vrstva

  • Navrhování mikroservisů pro inferenci
  • Optimalizace runtime kontejnerů pro produkci
  • Implementace škálovatelné architektury servisu

Orchestrace pipeline pomocí Docker Compose

  • Koordinace workflowů strojového učení s více kontejnery
  • Izolace prostředí a správa konfigurace
  • Integrace doplňkových služeb (např. sledování, úložiště)

Verzování modelů strojového učení a správa životního cyklu

  • Sledování modelů, obrazů a komponent pipeline
  • Verzované containerizované prostředí
  • Integrace nástrojů jako je MLflow nebo podobných

Nasazení a škálování úkolů strojového učení

  • Spouštění pipeline v distribuovaném prostředí
  • Škálování mikroservisů pomocí nativních přístupu Docker
  • Sledování systémů strojového učení v kontejneru

CI/CD pro MLOps pomocí Dockeru

  • Automatizace sestavení a nasazení komponent strojového učení
  • Testování pipeline v staging prostředí v kontejneru
  • Zajištění reprodukovatelnosti a možnost rollbacku

Shrnutí a další kroky

Požadavky

  • Pochopení workflowů strojového učení
  • Zkušenosti s jazykem Python pro vývoj dat nebo modelů
  • Znalost základů containerizace

Cílová skupina

  • Inženýři MLOps
  • Praktikové DevOps
  • Týmy datových platforem
 21 Hodiny

Počet účastníků


Cena za účastníka

Reference (3)

Nadcházející kurzy

Související kategorie