Temario del curso
Fundamentos de la contenedorización para MLOps
- Comprensión de los requisitos del ciclo de vida del ML.
- Conceptos clave de Docker para sistemas de ML.
- Mejores prácticas para entornos reproducibles.
Construcción de pipelines de entrenamiento de ML contenedorizados
- 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.
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 contenedores.
Inferencia y sirviendo contenedorizados
- Diseño de microservicios de inferencia.
- Optimización de contenedores de tiempo de ejecución para producción.
- Implementación de arquitecturas de sirviendo escalables.
Orquestación de pipelines con Docker Compose
- Coordinación de flujos de trabajo de ML multi-contenedor.
- Aislamiento de entornos y gestión de configuración.
- Integración de servicios complementarios (p. ej., seguimiento, almacenamiento).
Versionado y gestión del ciclo de vida de modelos de ML
- Seguimiento de modelos, imágenes y componentes de pipeline.
- Entornos de contenedores con control de versiones.
- Integración de herramientas como MLflow o similares.
Despliegue y escalado de cargas de trabajo de ML
- Ejecución de pipelines en entornos distribuidos.
- Escala de microservicios mediante enfoques nativos de Docker.
- Monitoreo de sistemas de ML contenedorizados.
CI/CD para MLOps con Docker
- Automatización de la construcción y el despliegue de componentes de ML.
- Pruebas de pipelines en entornos de staging contenedorizados.
- Garantía de reproducibilidad y capacidad de reversión (rollbacks).
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.
- Especialistas en DevOps.
- Equipos de plataformas de datos.
Reseñas (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
