Đề cương khóa học

Giới thiệu về Containerization cho AI & ML

  • Các khái niệm cốt lõi của containerization
  • Tại sao các container lại phù hợp với các tác vụ ML
  • Sự khác biệt chính giữa containers và máy ảo

Làm việc với Hình ảnh Docker và Containers

  • Hiểu biết về hình ảnh, lớp và các kho đăng ký
  • Quản lý containers cho thí nghiệm ML
  • Sử dụng Docker CLI hiệu quả

Đóng gói Môi trường ML

  • Chuẩn bị mã nguồn ML cho containerization
  • Quản lý môi trường Python và phụ thuộc
  • Tích hợp CUDA và hỗ trợ GPU

Xây dựng Dockerfiles cho Học máy

  • Cấu trúc Dockerfiles cho các dự án ML
  • Các thực hành tốt nhất về hiệu suất và khả năng bảo trì
  • Sử dụng multi-stage builds

Containerize Mô hình ML và Pipelines

  • Đóng gói các mô hình đã được huấn luyện vào containers
  • Quản lý dữ liệu và chiến lược lưu trữ
  • Triển khai quy trình end-to-end có thể tái tạo

Chạy Dịch vụ ML Containerized

  • Phơi bày các điểm cuối API cho việc suy luận mô hình
  • Tăng cường dịch vụ với Docker Compose
  • Giám sát hành vi thời gian chạy

Xem xét về An ninh và Tuân thủ

  • Đảm bảo cấu hình container an toàn
  • Quản lý truy cập và chứng chỉ
  • Xử lý tài sản ML bí mật

Triển khai vào Môi trường Sản xuất

  • Đăng ký hình ảnh lên các kho chứa container
  • Triển khai containers trong các cấu hình on-prem hoặc cloud
  • Phiên bản hóa và cập nhật dịch vụ sản xuất

Tóm tắt và Bước Tiếp theo

Yêu cầu

  • Hiểu biết về quy trình làm việc học máy
  • Kinh nghiệm với Python hoặc ngôn ngữ lập trình tương tự
  • Thuộc các thao tác cơ bản của dòng lệnh Linux

Đối tượng

  • Kỹ sư ML triển khai mô hình vào sản xuất
  • Nhà khoa học dữ liệu quản lý môi trường thí nghiệm có thể tái tạo
  • Nhà phát triển AI xây dựng các ứng dụng containerized có khả năng mở rộng
 14 Giờ

Số người tham gia


Giá cho mỗi học viên

Đánh giá (5)

Các khóa học sắp tới

Các danh mục liên quan