Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
Durata 14 ore
Struttura del corso
Introduzione alla containerizzazione per l'IA e il ML
- Concetti fondamentali della containerizzazione
- Perché i contenitori sono ideali per i carichi di lavoro ML
- Principali differenze tra contenitori e macchine virtuali
Lavorare con immagini e contenitori Docker
- Comprendere immagini, layer e registri
- Gestire i contenitori per gli esperimenti ML
- Utilizzare in modo efficiente la riga di comando Docker (CLI)
Packaging degli ambienti ML
- Preparare i codici base ML per la containerizzazione
- Gestire ambienti Python e dipendenze
- Integrare il supporto CUDA e GPU
Creare Dockerfile per il Machine Learning
- Strutturare i Dockerfile per i progetti ML
- Best practice per le prestazioni e la manutenibilità
- Utilizzo di build in più fasi (multi-stage)
Containerizzazione di modelli e pipeline ML
- Incoronare i modelli addestrati in contenitori
- Gestire strategie di dati e archiviazione
- Distribuire workflow end-to-end riproducibili
Esecuzione di servizi ML containerizzati
- Esposizione di endpoint API per l'inferenza dei modelli
- Scalare i servizi con Docker Compose
- Monitoraggio del comportamento in runtime
Considerazioni sulla sicurezza e conformità
- Garantire configurazioni di contenitore sicure
- Gestire accessi e credenziali
- Gestire asset ML confidenziali
Distribuzione in ambienti di produzione
- Pubblicare immagini nei registri dei contenitori
- Distribuire contenitori in ambienti on-premise o cloud
- Gestire versioni e aggiornamenti dei servizi di produzione
Sintesi e prossimi passi
Requisiti
- Una comprensione dei flussi di lavoro di machine learning
- Esperienza con Python o linguaggi di programmazione simili
- Conoscenza delle operazioni di base della riga di comando Linux
Pubblico
- Ingegneri ML che distribuiscono modelli in produzione
- Scienziati dei dati che gestiscono ambienti sperimentali riproducibili
- Sviluppatori IA che creano applicazioni containerizzate scalabili
Recensioni (2)
Come ho già detto, per una persona come me (senza esperienza), questo è stato un punto di partenza per comprendere le funzionalità e le caratteristiche di questi programmi, strumenti e quant'altro.
Patrick V. Duylovski - UBB + DZI (KBC GROUP)
Corso - Docker and Kubernetes
Traduzione automatica
un programma di corsi strutturato su più livelli.
Bert Paelinckx - Cube SoftwareSolutions
Corso - Introduction to Docker
Traduzione automatica