Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción a la contenerización para IA y ML
- Conceptos fundamentales de la contenerización
- Por qué los contenedores son ideales para cargas de trabajo de ML
- Diferencias clave entre contenedores y máquinas virtuales
Trabajo con imágenes y contenedores de Docker
- Comprensión de imágenes, capas y registros
- Gestión de contenedores para experimentación en ML
- Uso eficiente de la CLI de Docker
Empaquetado de entornos de ML
- Preparación de bases de código de ML para la contenerización
- Gestión de entornos y dependencias de Python
- Integración de soporte para CUDA y GPU
Creación de Dockerfiles para aprendizaje automático
- Estructuración de Dockerfiles para proyectos de ML
- Mejores prácticas para rendimiento y mantenibilidad
- Uso de construcciones en múltiples etapas
Contenerización de modelos y tuberías de ML
- Empaquetado de modelos entrenados en contenedores
- Estrategias de gestión de datos y almacenamiento
- Despliegue de flujos de trabajo de extremo a extremo reproducibles
Ejecución de servicios de ML containerizados
- Exposición de puntos finales de API para inferencia de modelos
- Escalar servicios con Docker Compose
- Monitoreo del comportamiento en tiempo de ejecución
Consideraciones de seguridad y cumplimiento
- Garantizar configuraciones seguras de contenedores
- Gestión de accesos y credenciales
- Manejo de activos de ML confidenciales
Despliegue en entornos de producción
- Publicación de imágenes en registros de contenedores
- Despliegue de contenedores en configuraciones locales (on-prem) o en la nube
- Versionado y actualización de servicios de producción
Resumen y siguientes pasos
Requerimientos
- Comprensión de los flujos de trabajo de aprendizaje automático
- Experiencia con Python o lenguajes de programación similares
- Conocimiento de las operaciones básicas de la línea de comandos de Linux
Público objetivo
- Ingenieros de ML que despliegan modelos en producción
- Científicos de datos que gestionan entornos de experimentación reproducibles
- Desarrolladores de IA que construyen aplicaciones containerizadas escalables
14 Horas
Reseñas (3)
programa de cursos estructurado en múltiples niveles.
Bert Paelinckx - Cube SoftwareSolutions
Curso - Introduction to Docker
Traducción Automática
Cómo los formadores transmiten el conocimiento de manera efectiva
Vu Thoai Le - Reply Polska sp. z o. o.
Curso - Certified Kubernetes Administrator (CKA) - exam preparation
Traducción Automática
El conocimiento y los intercambios con Augustin
Laurent - L'Office national des vacances annuelles (ONVA)
Curso - Docker and Kubernetes
Traducción Automática