Prenez contact avec nous
 Durée 14 heures

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

Nombre de participants


Prix par participant

Nos clients témoignent (2)

Cours à venir

Catégories Similaires