Cursusaanbod

Inleiding tot Containerisatie voor AI & ML

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

Werken met Docker-afbeeldingen en -containers

  • Afbeeldingen, lagen en registers begrijpen
  • Containers beheren voor ML-experimentatie
  • De Docker CLI efficiënt gebruiken

ML-omgevingen verpakken

  • ML-codebases voorbereiden op 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
  • Gegevens- en opslagstrategieën beheren
  • Reproduceerbare end-to-end workflows implementeren

Containerized ML-services uitvoeren

  • API-endpoints blootleggen voor modelinference
  • Services schalen met Docker Compose
  • Runtimegedrag monitoren

Veiligheid en complianceoverwegingen

  • Veilige containerconfiguraties waarborgen
  • Toegang en referenties beheren
  • Vertrouwelijke ML-assets hanteren

Implementeren in productieomgevingen

  • Afbeeldingen publiceren naar containerregisters
  • Containers implementeren in on-prem of cloud-opstellingen
  • Productieservices versieën en bijwerken

Samenvatting en volgende stappen

Vereisten

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

Doelgroep

  • ML-ingenieurs die modellen in productie implementeren
  • Data wetenschappers die reproduceerbare experimentele omgevingen beheren
  • AI-ontwikkelaars die schaalbare containerized toepassingen bouwen
 14 Uren

Aantal deelnemers


Prijs per deelnemer

Getuigenissen (5)

Voorlopige Aankomende Cursussen

Gerelateerde categorieën