Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Dauer 14 Stunden
Schulungsübersicht
Einführung in die Containerisierung für KI & ML
- Kernkonzepte der Containerisierung
- Warum Container ideal für ML-Workloads sind
- Wesentliche Unterschiede zwischen Containern und virtuellen Maschinen
Arbeit mit Docker-Images und Containern
- Verständnis von Images, Ebenen und Registern
- Verwaltung von Containern für ML-Experimente
- Effiziente Nutzung der Docker-CLI
Paketierung von ML-Umgebungen
- Vorbereitung von ML-Codebasen für die Containerisierung
- Verwaltung von Python-Umgebungen und Abhängigkeiten
- Integration von CUDA und GPU-Unterstützung
Erstellung von Dockerfiles für Machine Learning
- Strukturierung von Dockerfiles für ML-Projekte
- Best Practices für Leistung und Wartbarkeit
- Nutzung von Multi-Stage-Builds
Containerisierung von ML-Modellen und Pipelines
- Paketierung trainierter Modelle in Container
- Verwaltung von Daten- und Speicherstrategien
- Einführung reproduzierbarer End-to-End-Workflows
Betrieb containerisierter ML-Dienste
- Bereitstellung von API-Endpunkten für Modellinferenzen
- Skalierung von Diensten mit Docker Compose
- Überwachung des Laufzeitverhaltens
Aspekte der Sicherheit und Compliance
- Sicherstellung sicherer Container-Konfigurationen
- Verwaltung von Zugriffsberechtigungen und Zugangsdaten
- Behandlung vertraulicher ML-Ressourcen
Einführung in Produktionsumgebungen
- Veröffentlichung von Images in Container-Registern
- Einführung von Containern in On-Premise- oder Cloud-Umgebungen
- Versionsverwaltung und Aktualisierung von Produktionsdiensten
Zusammenfassung und nächste Schritte
Voraussetzungen
- Grundverständnis von Machine-Learning-Workflows
- Erfahrung mit Python oder vergleichbaren Programmiersprachen
- Vertrautheit mit grundlegenden Linux-Shell-Befehlen
Zielgruppe
- ML-Ingenieure, die Modelle in der Produktion betreiben
- Wissenschaftler für Datenanalyse, die reproduzierbare Experimentierumgebungen verwalten
- KI-Entwickler, die skalierbare containerisierte Anwendungen erstellen
Erfahrungsberichte (2)
Wie ich bereits erwähnt habe, war dies für mich (ohne Erfahrung) ein Tor zum Verständnis der Funktionen und Möglichkeiten dieser Programme und Werkzeuge.
Patrick V. Duylovski - UBB + DZI (KBC GROUP)
Kurs - Docker and Kubernetes
Maschinelle Übersetzung
ein mehrstufiges, strukturiertes Kursprogramm.
Bert Paelinckx - Cube SoftwareSolutions
Kurs - Introduction to Docker
Maschinelle Übersetzung