感謝您提交詢問!我們的一位團隊成員將在短時間內與您聯繫。
感謝您提交預訂!我們的一位團隊成員將在短時間內與您聯繫。
課程時長 14 時間:
課程簡介
容器化簡介:AI與ML
- 容器化的核心概念
- 為什麼容器適合ML工作負載
- 容器與虛擬機器的主要差異
使用Docker映像與容器
- 了解映像、層和登錄檔
- 管理用於ML實驗的容器
- 有效率地使用Docker CLI
打包ML環境
- 準備ML程式碼庫以進行容器化
- 管理Python環境和依賴項
- 整合CUDA和GPU支援
為機器學習建立Dockerfile
- 為ML專案結構化Dockerfile
- 效能和可維護性的最佳實踐
- 使用多階段建置
容器化ML模型與管線
- 將訓練好的模型打包到容器中
- 管理資料和儲存策略
- 部署可重現的端對端工作流程
執行容器化的ML服務
- 公開API端點以進行模型推論
- 使用Docker Compose擴展服務
- 監控執行時行為
安全性與合規性考量
- 確保安全的容器配置
- 管理存取和憑證
- 處理機密的ML資產
部署到生產環境
- 將映像發布到容器登錄檔
- 在本地或雲端環境部署容器
- 版本控制與更新生產服務
總結與後續步驟
最低要求
- 了解機器學習工作流程
- 具備Python或類似程式語言的經驗
- 熟悉基本的Linux命令列操作
目標學員
- 將模型部署到生產環境的ML工程師
- 管理可重現實驗環境的資料科學家
- 建置可擴展容器化應用程式的AI開發人員
客戶評論 (2)
如前所述,对于像我这样没有经验的人来说,这是了解这些程序/工具等功能与用途的入门途径。
Patrick V. Duylovski - UBB + DZI (KBC GROUP)
課程 - Docker and Kubernetes
機器翻譯
多层次、结构化的课程体系。
Bert Paelinckx - Cube SoftwareSolutions
課程 - Introduction to Docker
機器翻譯