Liên hệ với chúng tôi

Đề cương khóa học

Nền tảng của container hóa cho MLOps

  • Hiểu yêu cầu của vòng đời ML
  • Các khái niệm chính của Docker cho hệ thống ML
  • Thực hành tốt nhất cho môi trường có khả năng tái lập

Xây dựng pipeline huấn luyện ML được container hóa

  • Gói hóa mã và các phụ thuộc của việc huấn luyện model
  • Cấu hình các tác vụ huấn luyện bằng hình ảnh Docker
  • Quản lý bộ dữ liệu và các artifact trong container

Container hóa quy trình xác thực và đánh giá model

  • Tái lập môi trường đánh giá
  • Tự động hóa quy trình xác thực
  • Lưu trữ các metric và log từ container

Serving và suy luận (Inference) container hóa

  • Thiết kế microservices suy luận
  • Tối ưu hóa container runtime cho môi trường production
  • Triển khai các kiến trúc serving có khả năng mở rộng

Điều phối pipeline bằng Docker Compose

  • Tọa độ các quy trình ML đa container
  • Cách ly môi trường và quản lý cấu hình
  • Tích hợp các dịch vụ hỗ trợ (ví dụ: tracking, storage)

Quản lý version và vòng đời của ML Model

  • Theo dõi models, images và các thành phần pipeline
  • Môi trường container được quản lý phiên bản
  • Tích hợp MLflow hoặc các công cụ tương tự

Triển khai và mở rộng các tác vụ ML

  • Chạy pipeline trong môi trường phân tán
  • Mở rộng microservices bằng cách tiếp cận nguyên bản của Docker
  • Giám sát các hệ thống ML được container hóa

CI/CD cho MLOps bằng Docker

  • Tự động hóa việc build và triển khai các thành phần ML
  • Thử nghiệm pipeline trong môi trường staging được container hóa
  • Đảm bảo khả năng tái lập và rollback

Tóm tắt và các bước tiếp theo

Yêu cầu

  • Hiểu biết về các quy trình làm việc của machine learning
  • Kinh nghiệm sử dụng Python cho phát triển dữ liệu hoặc model
  • Quen thuộc với các khái niệm cơ bản về container

Đối tượng học viên

  • Kỹ sư MLOps
  • Kỹ sư DevOps
  • Đội ngũ nền tảng dữ liệu (Data platform teams)
 21 Giờ

Số người tham gia


Giá cho mỗi học viên

Đánh giá (3)

Các khóa học sắp tới

Các danh mục liên quan