Temario del curso
Fundamentos de la contenerización 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 pipelines de entrenamiento de ML contenerizados
- Empaquetado del código de entrenamiento de modelos y sus dependencias
- Configuración de trabajos de entrenamiento utilizando imágenes de Docker
- Gestión de conjuntos de datos y artefactos en contenedores
Contenerización 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 contenedores
Inferencia y despliegue con contenedores
- Diseño de microservicios para inferencia
- Optimización de contenedores de tiempo de ejecución para producción
- Implementación de arquitecturas de despliegue escalables
Orquestación de pipelines con Docker Compose
- Coordinación de flujos de trabajo de ML multi-contenedor
- Aislamiento del entorno y gestión de configuración
- Integración de servicios complementarios (por ejemplo, seguimiento, almacenamiento)
Gestión del ciclo de vida y versionado de modelos de ML
- Rastreo de modelos, imágenes y componentes del pipeline
- Entornos contenerizados con control de versiones
- Integración de MLflow u otras herramientas similares
Despliegue y escalado de cargas de trabajo de ML
- Ejecución de pipelines en entornos distribuidos
- Escalado de microservicios utilizando enfoques nativos de Docker
- Monitoreo de sistemas de ML contenerizados
Integración y despliegue continuos (CI/CD) para MLOps con Docker
- Automatización de la construcción y el despliegue de componentes de ML
- Pruebas de pipelines 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 el desarrollo de datos o modelos
- Conocimiento de los fundamentos de los contenedores
Público 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
