Docker用于MLOps：端到端流水线容器化 培训

本课程为在中国开展的讲师主导的线上或线下培训，面向希望深入掌握Docker知识，以更大规模部署应用并保留管控权的工程师。

培训结束后，参与者将能够：

• 构建自定义Docker镜像。
• 部署和管理大量Docker应用。
• 评估不同的容器编排方案，并选择最合适的工具。
• 为Docker应用建立持续集成流程。
• 将Docker应用集成到现有的持续工具集成流程中。
• 确保Docker应用的安全性。

本课程为讲师引导的培训，在中国（线上或线下）进行，面向具有中高级经验的AI工程师和数据科学家，旨在通过现代MLOps实践，提升DeepSeek模型的性能，减少延迟，并高效部署AI解决方案。

培训结束后，学员将能够：

• 优化DeepSeek模型，提升效率、准确性和可扩展性。
• 实施MLOps和模型版本控制的最佳实践。
• 在云端和本地基础设施上部署DeepSeek模型。
• 有效监控、维护和扩展AI解决方案。

学习如何使用Docker、Kubernetes和OpenShift构建、部署和管理容器化环境。本课程为期五天，涵盖容器镜像、Kubernetes工作负载、集群网络、存储、安全、监控和OpenShift管理。学员将掌握操作现代容器平台并在开发和生产环境中排查应用问题所需的技能。

在这次由讲师指导的中国（线下或远程）培训中，参与者将学习如何创建和管理Docker容器，然后在容器内部署一个示例应用。参与者还将学习如何在Kubernetes集群中自动化、扩展和管理他们的容器化应用。最后，培训将深入探讨更高级的主题，引导参与者完成Kubernetes集群的安全、扩展和监控过程。

通过本次培训，参与者将能够：

• 设置并运行Docker容器。
• 部署容器化的服务器和Web应用。
• 构建和管理Docker镜像。
• 设置Docker和Kubernetes集群。
• 使用Kubernetes部署和管理集群化的Web应用。
• 对Kubernetes集群进行安全、扩展和监控。

培训目标：掌握Docker与Kubernetes的理论与操作技能。

本讲师引导的培训课程在中国进行（线上或线下），面向开发者和数据科学家，旨在帮助其在Kubernetes上构建、部署和管理机器学习工作流。

完成本课程后，参与者将能够：

• 在本地（on-premise）和云端安装并配置Kubeflow。
• 基于Docker容器和Kubernetes构建、部署和管理ML工作流。
• 在多种架构和云环境中运行完整的机器学习流水线。
• 使用Kubeflow生成并管理Jupyter笔记本。
• 在多个平台上构建ML训练、超参数调优及推理服务工作负载。

本次由讲师指导的培训在中国（线上或线下）面向希望评估当前可用方法和工具的工程师，以便在组织内采用MLOps时做出明智的决策。

通过本次培训，参与者将能够：

• 安装和配置各种MLOps框架和工具。
• 组建具备正确技能的团队，以构建和支持MLOps系统。
• 准备、验证和版本化数据以供ML模型使用。
• 了解ML管道的组件及其所需的工具。
• 实验不同的机器学习框架和服务器，以部署到生产环境。
• 将整个机器学习过程操作化，使其可重现和可维护。