Lépjen kapcsolatba velünk

Kurzusleírás

Bevezetés az AI- és ML-konténerizációba

  • A konténerizáció alapfogalmai
  • Miért ideálisak a konténerek az ML-munkaterhelésekhez
  • Kulcsfontosságú különbségek a konténerek és a virtuális gépek között

Munka Docker-lemezképekkel és -konténerekkel

  • Lemezképek, rétegek és nyilvántartók megértése
  • Konténerek kezelése ML-kísérletezéshez
  • A Docker CLI hatékony használata

ML-környezetek csomagolása

  • ML-kódbázisok előkészítése konténerizálásra
  • Python-környezetek és függőségek kezelése
  • CUDA- és GPU-támogatás integrálása

Dockerfile-ok készítése gépi tanuláshoz

  • Dockerfile-ok felépítése ML-projektekhez
  • Bevált gyakorlatok a teljesítmény és karbantarthatóság érdekében
  • Többlépcsős buildelés használata

ML-modellek és -folyamatok konténerizálása

  • Betanított modellek csomagolása konténerekbe
  • Adat- és tárolási stratégiák kezelése
  • Reprodukálható, végpontok közötti munkafolyamatok telepítése

Konténerizált ML-szolgáltatások futtatása

  • API-végpontok közzététele modellkövetkeztetéshez
  • Szolgáltatások skálázása Docker Compose-szal
  • Futásidejű viselkedés monitorozása

Biztonsági és megfelelőségi szempontok

  • Biztonságos konténerkonfigurációk biztosítása
  • Hozzáférés és hitelesítő adatok kezelése
  • Bizalmas ML-eszközök kezelése

Telepítés éles környezetekbe

  • Lemezképek közzététele konténer-nyilvántartókban
  • Konténerek telepítése helyszíni vagy felhőalapú környezetekben
  • Éles szolgáltatások verziózása és frissítése

Összefoglalás és következő lépések

Követelmények

  • A gépi tanulási munkafolyamatok ismerete
  • Tapasztalat Pythonban vagy hasonló programozási nyelvekben
  • Alapszintű Linux parancssori műveletek ismerete

Célközönség

  • Modelleket éles környezetbe telepítő ML-mérnökök
  • Reprodukálható kísérleti környezeteket kezelő adattudósok
  • Skálázható, konténerizált alkalmazásokat fejlesztő AI-fejlesztők
 14 Órák

Résztvevők száma


Ár per résztvevő

Vélemények (3)

Közelgő kurzusok

Rokon kategóriák