Đề cương khóa học

Giới thiệu về Containerization cho AI & ML

  • Các khái niệm cốt lõi của containerization
  • Tại sao các container lại lý tưởng cho các tác vụ học máy
  • Sự khác biệt chính giữa containers và máy ảo

Làm việc với Docker Images và Containers

  • Hiểu về hình ảnh, lớp và registry
  • 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 duy 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 suy luận mô hình
  • Tăng cường dịch vụ bằng Docker Compose
  • Giám sát hành vi runtime

Xem xét về Bảo mật và Tuân thủ

  • Đảm bảo cấu hình container an toàn
  • Quản lý quyền truy cập và thông tin xác thực
  • Xử lý tài sản ML bí mật

Triển khai vào Môi trường Sản xuất

  • Xuất bản hình ảnh đến các registry container
  • Triển khai containers trong thiết lập tại địa điểm hoặc trên đám mây
  • Quản lý phiên bản và cập nhật dịch vụ sản xuất

Tóm tắt và Bước Tiếp theo

Yêu cầu

  • Hiểu biết về quy trình học máy
  • Kinh nghiệm với Python hoặc ngôn ngữ lập trình tương tự
  • Quen thuộc với các thao tác cơ bản trên 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 khả năng mở rộng
 14 Giờ học

Số người tham gia


Giá cho mỗi người tham gia

Đánh giá (5)

Các khóa học sắp tới

Các danh mục liên quan