Cursusaanbod

Inleiding tot Containerisatie voor AI & ML

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

Werken met Docker-images en -containers

  • Inzicht in images, lagen en registers
  • Containers beheren voor ML-experimenten
  • Doeltreffend werken met de Docker CLI

Packaging 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

ML-modellen en -pipelines containeriseren

  • Getrainde modellen in containers verpakken
  • Data- en opslagstrategieën beheren
  • Reproduceerbare eind-tot-eind werkstromen implementeren

Containerized ML-services uitvoeren

  • API-endpoints blootleggen voor modelinference
  • Services schalen met Docker Compose
  • Runtime-gedrag bewaken

Veiligheids- en complianceoverwegingen

  • Beveiligde containerconfiguraties garanderen
  • Toegang en referenties beheren
  • Vertrouwelijke ML-activa behandelen

Implementeren in productieomgevingen

  • Afbeeldingen publiceren naar containerregisters
  • Containers implementeren in on-prem of cloud-opstellingen
  • Versiebeheer en updates van productieservices

Samenvatting en volgende stappen

Vereisten

  • Een begrip van machine learning werkstromen
  • Ervaring met Python of vergelijkbare programmeertalen
  • Vertrouwdheid met basis Linux command-line operaties

Doelgroep

  • ML-ingenieurs die modellen in productie implementeren
  • Datawetenschappers die reproduceerbare experimentenomgevingen beheren
  • AI-ontwikkelaars die schaalbare containerized toepassingen bouwen
 14 Uren

Aantal deelnemers


Prijs Per Deelnemer

Getuigenissen (5)

Voorlopige Aankomende Cursussen

Gerelateerde categorieën