Plan du cours
Introduction à la conteneurisation pour l'IA et le ML
- Concepts fondamentaux de la conteneurisation
- Pourquoi les conteneurs sont idéaux pour les charges de travail ML
- Principales différences entre conteneurs et machines virtuelles
Travailler avec les images et conteneurs Docker
- Comprendre les images, les couches et les registres
- Gérer les conteneurs pour l'expérimentation ML
- Utiliser efficacement l'interface en ligne de commande Docker
Encapsuler les environnements ML
- Préparer les bases de code ML pour la conteneurisation
- Gérer les environnements Python et les dépendances
- Intégrer le support CUDA et GPU
Créer des Dockerfiles pour l'apprentissage automatique
- Structurer les Dockerfiles pour les projets ML
- Meilleures pratiques pour la performance et la maintenabilité
- Utilisation des builds multi-étapes
Conteneuriser les modèles et pipelines ML
- Emballer les modèles entraînés dans des conteneurs
- Gérer les stratégies de données et de stockage
- Déployer des flux de travail de bout en bout reproductibles
Exécuter des services ML conteneurisés
- Exposer des points de terminaison API pour l'inférence de modèles
- Évoluer les services avec Docker Compose
- Surveiller le comportement en temps d'exécution
Considérations de sécurité et de conformité
- Assurer des configurations de conteneurs sécurisées
- Gérer l'accès et les identifiants
- Gérer les actifs ML confidentiels
Déployer dans des environnements de production
- Publier des images dans des registres de conteneurs
- Déployer des conteneurs dans des installations sur site ou dans le cloud
- Gérer le versioning et les mises à jour des services de production
Synthèse et prochaines étapes
Pré requis
- Une compréhension des flux de travail en apprentissage automatique
- De l'expérience avec Python ou des langages de programmation similaires
- Une familiarité avec les commandes de base de l'invite de commandes Linux
Public cible
- Ingénieurs ML déployant des modèles en production
- Scientifiques des données gérant des environnements d'expérimentation reproductibles
- Développeurs IA concevant des applications conteneurisées évolutives
Nos clients témoignent (2)
Comme je l'ai mentionné précédemment, pour quelqu'un comme moi (sans aucune expérience), cela a été une porte d'entrée pour comprendre les fonctionnalités et les capacités de ces programmes/outils, etc.
Patrick V. Duylovski - UBB + DZI (KBC GROUP)
Formation - Docker and Kubernetes
Traduction automatique
programme de formation structuré et organisé en plusieurs niveaux.
Bert Paelinckx - Cube SoftwareSolutions
Formation - Introduction to Docker
Traduction automatique