Temario del curso
Introducción a la contenerización para IA y ML
- Conceptos fundamentales de la contenerización
- Por qué los contenedores son ideales para cargas de trabajo de ML
- Diferencias clave entre contenedores y máquinas virtuales
Trabajo con imágenes y contenedores de Docker
- Comprensión de imágenes, capas y registros
- Gestión de contenedores para experimentación en ML
- Uso eficiente de la interfaz de línea de comandos (CLI) de Docker
Empaquetado de entornos de ML
- Preparación de bases de código de ML para la contenerización
- Gestión de entornos de Python y sus dependencias
- Integración de soporte para CUDA y GPU
Creación de Dockerfiles para aprendizaje automático
- Estructuración de Dockerfiles para proyectos de ML
- Buenas prácticas para el rendimiento y la mantenibilidad
- Utilización de compilaciones multi-estadio (multi-stage builds)
Contenerización de modelos y pipelines de ML
- Empaquetado de modelos entrenados en contenedores
- Estrategias para la gestión de datos y almacenamiento
- Despliegue de flujos de trabajo extremos a extremos (end-to-end) reproducibles
Ejecución de servicios de ML en contenedores
- Exposición de puntos finales de API para la inferencia de modelos
- Escala de servicios con Docker Compose
- Monitoreo del comportamiento en tiempo de ejecución
Consideraciones de seguridad y cumplimiento
- Asegurar configuraciones de contenedor seguras
- Gestión de accesos y credenciales
- Manejo de activos confidenciales de ML
Despliegue en entornos de producción
- Publicación de imágenes en registros de contenedores
- Despliegue de contenedores en configuraciones locales (on-prem) o en la nube
- Gestión de versiones y actualizaciones de servicios en producción
Resumen y próximos pasos
Requerimientos
- Comprensión de los flujos de trabajo de aprendizaje automático.
- Experiencia con Python o lenguajes de programación similares.
- Conocimiento básico de las operaciones de línea de comandos en Linux.
Público objetivo
- Ingenieros de ML que despliegan modelos en producción.
- Científicos de datos que gestionan entornos experimentales reproducibles.
- Desarrolladores de IA que construyen aplicaciones escalables basadas en contenedores.
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
