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.
Creación de pipelines de entrenamiento de ML contenedorizados
- Empaquetado del código de entrenamiento de modelos y 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.
- Registro de métricas y registros desde contenedores.
Inferencia y servicio de atención (serving) contenedorizado
- Diseño de microservicios de inferencia.
- Optimización de contenedores de tiempo de ejecución para producción.
- Implementación de arquitecturas de servicio escalables.
Orquestación de pipelines con Docker Compose
- Coordinación de flujos de trabajo de ML con múltiples contenedores.
- Aislamiento de entornos y gestión de configuraciones.
- Integración de servicios de soporte (p. ej., seguimiento, almacenamiento).
Versionado de modelos de ML y gestión del ciclo de vida
- Seguimiento de modelos, imágenes y componentes de pipelines.
- Entornos contenedorizados con control de versiones.
- Integración de MLflow o herramientas similares.
Implementación 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 contenedorizados.
CI/CD para MLOps con Docker
- Automatización de la construcción y despliegue de componentes de ML.
- Pruebas de pipelines en entornos de puesta en staging contenedorizados.
- Garantía de reproducibilidad y reversiones (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
- Practicantes de 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
