Temario del curso
Introducción a la contenedorización para IA y ML
- Conceptos fundamentales de la contenedorización.
- 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 CLI de Docker.
Empaquetado de entornos de ML
- Preparación de bases de código de ML para la contenedorización.
- Gestión de entornos y dependencias de Python.
- Integración de soporte CUDA y GPU.
Creación de Dockerfiles para aprendizaje automático
- Estructuración de Dockerfiles para proyectos de ML.
- Buenas prácticas para el rendimiento y la mantenibilidad.
- Uso de compilaciones de múltiples etapas (multi-stage builds).
Contenedorización de modelos y pipelines de ML
- Empaquetado de modelos entrenados en contenedores.
- Estrategias de gestión de datos y almacenamiento.
- Despliegue de flujos de trabajo finales 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 seguras de contenedores.
- Gestión de accesos y credenciales.
- Manejo de activos de ML confidenciales.
Despliegue en entornos de producción
- Publicación de imágenes en registros de contenedores.
- Despliegue de contenedores en configuraciones locales (on-prem) o en la nube.
- Versionado y actualización de servicios de producción.
Resumen y próximos pasos
Requerimientos
- Comprensión de los flujos de trabajo de aprendizaje automático.
- Experiencia con Python o lenguajes de programación similares.
- Familiaridad con las operaciones básicas de la línea de comandos en Linux.
Público Objetivo
- Ingenieros de ML que despliegan modelos en producción.
- Científicos de datos que gestionan entornos de experimentación reproducibles.
- Desarrolladores de IA que construyen aplicaciones contenedorizadas escalables.
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
