Plan du cours
Fondements de la conteneurisation pour MLOps
- Compréhension des exigences du cycle de vie ML
- Concepts clés de Docker pour les systèmes ML
- Meilleures pratiques pour les environnements reproductibles
Construction de pipelines d’entraînement ML conteneurisés
- Emballage du code d’entraînement des modèles et des dépendances
- Configuration des tâches d’entraînement à l’aide d’images Docker
- Gestion des jeux de données et des artefacts dans les conteneurs
Conteneurisation de la validation et de l’évaluation des modèles
- Reproduction des environnements d’évaluation
- Automatisation des flux de travail de validation
- Capture des métriques et des journaux depuis les conteneurs
Inférence et service conteneurisés
- Conception de microservices d’inférence
- Optimisation des conteneurs d’exécution pour la production
- Mise en œuvre d’architectures de service évolutives
Orchestration de pipelines avec Docker Compose
- Coordination des flux de travail ML multi-conteneurs
- Isolation d’environnement et gestion de la configuration
- Intégration de services d’appui (par ex. suivi, stockage)
Versionnement des modèles ML et gestion du cycle de vie
- Suivi des modèles, des images et des composants du pipeline
- Environnements conteneurisés sous contrôle de version
- Intégration de MLflow ou d’outils similaires
Déploiement et mise à l’échelle des charges de travail ML
- Exécution de pipelines dans des environnements distribués
- Mise à l’échelle des microservices à l’aide d’approches natives Docker
- Surveillance des systèmes ML conteneurisés
CI/CD pour MLOps avec Docker
- Automatisation de la construction et du déploiement des composants ML
- Test de pipelines dans des environnements d’intégration conteneurisés
- Assurance de la reproductibilité et des annulations
Summary et prochaines étapes
Pré requis
- Compréhension des flux de travail d’apprentissage automatique
- Expérience avec Python pour le développement de données ou de modèles
- Connaissance des fondamentaux des conteneurs
Public cible
- Ingénieurs MLOps
- Praticiens DevOps
- Équipes de plateformes de données
Nos clients témoignent (2)
Comme je l'ai mentionné précédemment, pour quelqu'un comme moi (sans aucune expérience), cela a été une porte d'entrée pour comprendre les fonctionnalités et les capacités de ces programmes/outils, etc.
Patrick V. Duylovski - UBB + DZI (KBC GROUP)
Formation - Docker and Kubernetes
Traduction automatique
programme de formation structuré et organisé en plusieurs niveaux.
Bert Paelinckx - Cube SoftwareSolutions
Formation - Introduction to Docker
Traduction automatique
