Temario del curso
Fundamentos de la contenedorización para MLOps
- Comprensión de los requisitos del ciclo de vida de ML
- Conceptos clave de Docker para sistemas de ML
- Mejores prácticas para entornos reproducibles
Construcción de canalizaciones de entrenamiento de ML contenerizadas
- Empaquetado del código de entrenamiento del modelo y sus dependencias
- Configuración de trabajos de entrenamiento mediante imágenes de Docker
- Gestión de conjuntos de datos y artefactos dentro de contenedores
Contenedorización de la validación y evaluación de modelos
- Reproducción de entornos de evaluación
- Automatización de flujos de trabajo de validación
- Captura de métricas y registros desde los contenedores
Inferencia y servicio contenerizados
- Diseño de microservicios de inferencia
- Optimización de contenedores de tiempo de ejecución para producción
- Implementación de arquitecturas de servicio escalables
Orquestación de canalizaciones con Docker Compose
- Coordinación de flujos de trabajo de ML multi-contenedor
- Aislamiento de entornos y gestión de configuración
- Integración de servicios complementarios (por ejemplo, seguimiento, almacenamiento)
Versionado y gestión del ciclo de vida de modelos de ML
- Seguimiento de modelos, imágenes y componentes de la canalización
- Entornos de contenedores con control de versiones
- Integración de MLflow o herramientas similares
Despliegue y escalado de cargas de trabajo de ML
- Ejecución de canalizaciones en entornos distribuidos
- Escalado de microservicios utilizando enfoques nativos de Docker
- Monitoreo de sistemas de ML contenerizados
CI/CD para MLOps con Docker
- Automatización de la construcción y el despliegue de componentes de ML
- Pruebas de canalizaciones en entornos de staging contenerizados
- Garantía de reproducibilidad y capacidad de revertir cambios
Resumen y próximos pasos
Requerimientos
- Comprensión de los flujos de trabajo de aprendizaje automático
- Experiencia con Python para desarrollo de datos o modelos
- Familiaridad con los fundamentos de los contenedores
Audiencia objetivo
- Ingenieros de MLOps
- Profesionales de DevOps
- Equipos de plataformas de datos
Testimonios (3)
Cómo los formadores transmiten el conocimiento de manera efectiva
Vu Thoai Le - Reply Polska sp. z o. o.
Curso - Certified Kubernetes Administrator (CKA) - exam preparation
Traducción Automática
el formador tenía mucho conocimiento y paciencia para compartir con nosotros
Bogdan Olaru
Curso - Introduction to Docker
Traducción Automática
El conocimiento y los intercambios con Augustin
Laurent - L'Office national des vacances annuelles (ONVA)
Curso - Docker and Kubernetes
Traducción Automática
