Temario del curso
Fundamentos de la contenerización para MLOps
- Requisitos del ciclo de vida del ML
- Conceptos clave de Docker para sistemas de ML
- Prácticas recomendadas para entornos reproducibles
Construcción de pipelines de entrenamiento de ML contenerizados
- Empaquetado de 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
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 servicio contenerizados
- 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 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 pipelines
- Entornos contenerizados controlados por versión
- Integración de MLflow o herramientas similares
Despliegue y escalado de cargas de trabajo de ML
- Ejecución de pipelines en entornos distribuidos
- Escalar microservicios utilizando enfoques nativos de Docker
- Supervisión de sistemas de ML contenerizados
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
- Garantizar la reproducibilidad y las reversibilidades (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
- Familiaridad con los fundamentos de la contenerización
Público objetivo
- Ingenieros de MLOps
- Profesionales de DevOps
- Equipos de plataformas de datos
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
