План на курса

Въведение в контейнеризация за ИИ и МУ

  • Основни концепции на контейнеризация
  • Защо контейнерите са идеални за задачи по МУ
  • Ключовите разлики между контейнери и виртуални машини

Работа с Docker образи и контейнери

  • Разбиране на образите, слоевете и регистри
  • Управление на контейнери за експерименти по МУ
  • Ефективно използване на Docker CLI

Упаковка на средата за МУ

  • Подготовка на кодовете за МУ за контейнеризация
  • Управление на Python среди и зависимости
  • Интегриране на CUDA и поддръжка на GPU

Построяване на Dockerfile за МУ

  • Структуриране на Dockerfile за проекти по МУ
  • Белите практики за производителност и поддържане
  • Използване на многоетапни сградби

Контейнеризация на модели и пайпไลни за МУ

  • Упаковка на обучените модели в контейнери
  • Управление на данни и стратегии за съхранение
  • Разгъване на възпроизводими процеси от начало до края

Изпълнение на контейнеризирани услуги за МУ

  • Експозиция на API точки за преобразуване на модели
  • Мащабиране на услуги с Docker Compose
  • Мониторинг на поведението при изпълнение

Разглеждане на сигурността и съответствието

  • Гарантиране на сигурни конфигурации за контейнери
  • Управление на достъп и удостоверявания
  • Обработка на поверителни активи за МУ

Разгъване в производствени среди

  • Публикуване на образи в регистри на контейнери
  • Разгъване на контейнери в локални или облачни среди
  • Версиониране и актуализация на производствени услуги

Резюме и следващи стъпки

Изисквания

  • Разбиране на работните процеси при машинно обучение
  • Опит с Python или подобни програмни езици
  • Запознаност с основните операции в командния ред на Linux

Публика

  • ML инженери, разгъващи модели в производство
  • Датасайентисти, управляващи възпроизводими експериментни среди
  • Развители на ИИ, изграждащи масштабируеми контейнеризирани приложения
 14 Часове

Брой участници


Цена за участник

Отзиви от потребители (5)

Предстоящи Курсове

Свързани Kатегории