Temario del curso
Fundamentos de la Contenerización para MLOps<\/p>
- Comprensión de los requisitos del ciclo de vida del ML<\/li>
- Conceptos clave de Docker para sistemas de ML<\/li>
- Buenas prácticas para entornos reproducibles<\/li>
Construcción de Pipelines de Entrenamiento de ML Contenerizados<\/p>
- Empaquetado de código de entrenamiento de modelos y dependencias<\/li>
- Configuración de trabajos de entrenamiento utilizando imágenes de Docker<\/li>
- Gestión de conjuntos de datos y artefactos en contenedores<\/li>
Contenerización de la Validación y Evaluación de Modelos<\/p>
- Reproducción de entornos de evaluación<\/li>
- Automatización de flujos de trabajo de validación<\/li>
- Captura de métricas y registros desde contenedores<\/li>
Inferencia y Servicio Contenerizados<\/p>
- Diseño de microservicios de inferencia<\/li>
- Optimización de contenedores de tiempo de ejecución para producción<\/li>
- Implementación de arquitecturas de servicio escalables<\/li>
Orquestación de Pipelines con Docker Compose<\/p>
- Coordinación de flujos de trabajo de ML multi-contenedor<\/li>
- Aislamiento de entornos y gestión de configuraciones<\/li>
- Integración de servicios complementarios (p. ej., seguimiento, almacenamiento)<\/li>
Versionamiento de Modelos de ML y Gestión del Ciclo de Vida<\/p>
- Seguimiento de modelos, imágenes y componentes del pipeline<\/li>
- Entornos contenerizados controlados por versión<\/li>
- Integración de MLflow u otras herramientas similares<\/li>
Despliegue y Escalado de Cargas de Trabajo de ML<\/p>
- Ejecución de pipelines en entornos distribuidos<\/li>
- Escala de microservicios mediante enfoques nativos de Docker<\/li>
- Monitoreo de sistemas de ML contenerizados<\/li>
CI/CD para MLOps con Docker<\/p>
- Automatización de la compilación y el despliegue de componentes de ML<\/li>
- Pruebas de pipelines en entornos de preproducción contenerizados<\/li>
- Aseguramiento de la reproducibilidad y la reversibilidad de despliegues<\/li>
Resumen y Próximos Pasos<\/p>
Requerimientos
- Comprensión de los flujos de trabajo de aprendizaje automático<\/li>
- Experiencia con Python para el desarrollo de datos o modelos<\/li>
- Conocimiento de los fundamentos de los contenedores<\/li>
Público Objetivo
- Ingenieros de MLOps<\/li>
- Practicantes de DevOps<\/li>
- Equipos de plataformas de datos<\/li>
Reseñas (2)
Como mencioné anteriormente, para una persona como yo (sin experiencia), esto supuso una puerta de entrada para comprender las funciones y características de estos programas, herramientas y demás.
Patrick V. Duylovski - UBB + DZI (KBC GROUP)
Curso - Docker and Kubernetes
Traducción Automática
programa de cursos estructurado en múltiples niveles.
Bert Paelinckx - Cube SoftwareSolutions
Curso - Introduction to Docker
Traducción Automática
