Contattataci

Struttura del corso

Fondamenti della Containerizzazione per MLOps

  • Comprensione dei requisiti del ciclo di vita ML
  • Concetti chiave di Docker per i sistemi ML
  • Best practice per ambienti riproducibili

Costruzione di Pipeline di Addestramento ML Containerizzate

  • Imballaggio del codice di addestramento del modello e delle dipendenze
  • Configurazione dei job di addestramento utilizzando immagini Docker
  • Gestione dei set di dati e degli artefatti nei container

Containerizzazione della Validazione e della Valutazione dei Modelli

  • Riproduzione degli ambienti di valutazione
  • Automazione dei flussi di lavoro di validazione
  • Acquisizione di metriche e log dai container

Inferenza e Serving Containerizzati

  • Progettazione di microservizi di inferenza
  • Ottimizzazione dei container di runtime per la produzione
  • Implementazione di architetture di serving scalabili

Orchestrazione delle Pipeline con Docker Compose

  • Coordinamento di flussi di lavoro ML multi-container
  • Izolamento degli ambienti e gestione della configurazione
  • Integrazione di servizi di supporto (es. tracking, storage)

Versioning dei Modelli ML e Gestione del Ciclo di Vita

  • Tracciamento di modelli, immagini e componenti della pipeline
  • Ambienti containerizzati con controllo delle versioni
  • Integrazione di MLflow o strumenti simili

Distribuzione e Scalameneto dei Carichi di Lavoro ML

  • Esecuzione di pipeline in ambienti distribuiti
  • Scalamento di microservizi utilizzando approcci nativi di Docker
  • Monitoraggio dei sistemi ML containerizzati

CI/CD per MLOps con Docker

  • Automazione della costruzione e della distribuzione dei componenti ML
  • Test delle pipeline in ambienti di staging containerizzati
  • Garanzia di riproducibilità e rollback

Riepilogo e Prossimi Passi

Requisiti

  • Conoscenza dei flussi di lavoro del machine learning
  • Esperienza con Python per lo sviluppo di dati o modelli
  • Familiarità con i fondamentali dei container

Pubblico di Riferimento

  • Ingegneri MLOps
  • Praticanti DevOps
  • Team di piattaforme dati
 21 ore

Numero di Partecipanti


Prezzo per partecipante

Recensioni (3)

Corsi in Arrivo

Categorie relative