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
AI 與 ML 容器化簡介
- 容器化的核心概念
- 為什麼容器是 ML 工作負載的理想選擇
- 容器與虛擬機器的關鍵區別
處理 Docker 映像與容器
- 理解映像、層級和註冊中心
- 管理用於 ML 實驗的容器
- 高效使用 Docker CLI
打包 ML 環境
- 為容器化準備 ML 程式碼庫
- 管理 Python 環境和依賴項
- 整合 CUDA 和 GPU 支援
為機器學習構建 Dockerfile
- 為 ML 項目結構化 Dockerfile
- 性能和可維護性的最佳實踐
- 使用多階段構建
容器化 ML 模型與流水線
- 將訓練好的模型打包進容器
- 管理數據和存儲策略
- 部署可重現的端到端工作流程
運行容器化 ML 服務
- 公開模型推理的 API 端點
- 使用 Docker Compose 縮放服務
- 監控運行時行為
安全與合規考量
- 確保安全的容器配置
- 管理訪問權限和憑證
- 處理機密的 ML 資產
部署到生產環境
- 將映像發布到容器註冊中心
- 在本地或雲環境中部署容器
- 版本控制和更新生產服務
總結與後續步驟
最低要求
- 了解機器學習工作流程
- 具有 Python 或類似程式語言的經驗
- 熟悉基本的 Linux 命令行操作
目標受眾
- 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數據科學家
- 構建可擴展容器化應用的 AI 開發者
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