Neem contact met ons op

Cursusaanbod

Inleiding tot containerisatie voor AI & ML

  • Kernconcepten van containerisatie
  • Waarom containers ideaal zijn voor ML-werklasten
  • Belangrijkste verschillen tussen containers en virtuele machines

Werken met Docker-images en containers

  • Images, lagen en registries begrijpen
  • Containers beheren voor ML-experimenten
  • De Docker CLI efficiënt gebruiken

Verpakken van ML-omgevingen

  • ML-codebases voorbereiden voor containerisatie
  • Python-omgevingen en afhankelijkheden beheren
  • CUDA- en GPU-ondersteuning integreren

Dockerfiles bouwen voor Machine Learning

  • Dockerfiles structureren voor ML-projecten
  • Best practices voor prestaties en onderhoudbaarheid
  • Multi-stage builds gebruiken

Containeriseren van ML-modellen en pipelines

  • Getrainde modellen in containers verpakken
  • Gegevens- en opslagstrategieën beheren
  • Reproduceerbare end-to-end workflows implementeren

Uitvoeren van gecontaineriseerde ML-diensten

  • API-endpoints blootleggen voor modelinference
  • Diensten schalen met Docker Compose
  • Runtime-gedrag monitoren

Overwegingen rond veiligheid en naleving

  • Veilige containerconfiguraties garanderen
  • Toegang en inloggegevens beheren
  • Vertrouwelijke ML-activiteiten verwerken

Implementatie in productielomgevingen

  • Images publiceren in containerregistries
  • Containers implementeren in on-premises of cloud-opstellingen
  • Versienering en bijwerkingen van productiediensten

Samenvatting en volgende stappen

Vereisten

  • Een begrip van machinelearning-workflows
  • Ervaring met Python of vergelijkbare programmeertalen
  • Kenmerk van basale Linux command line-bewerkingen

Publiek

  • ML-ingenieurs die modellen naar productie implementeren
  • Wetenschappers die reproduceerbare experimentomgevingen beheren
  • AI-ontwikkelaars die schaalbare, gecontaineriseerde applicaties bouwen
 14 Uren

Aantal deelnemers


Prijs per deelnemer

Getuigenissen (3)

Voorlopige Aankomende Cursussen

Gerelateerde categorieën