Hubungi Kami

Kerangka Materi

Fondasi Kontainerisasi untuk MLOps

  • Memahami persyaratan siklus hidup ML
  • Konsep Docker utama untuk sistem ML
  • Praktik terbaik untuk lingkungan yang dapat direproduksi

Membangun Pipeline Pelatihan ML Berkontainer

  • Memasukkan kode pelatihan model dan dependensinya
  • Menyiapkan konfigurasi tugas pelatihan menggunakan image Docker
  • Memantau dataset dan artefak dalam kontainer

Menkontainerisasi Validasi dan Evaluasi Model

  • Menghasilkan ulang lingkungan evaluasi
  • Automatisasi workflow validasi
  • Menangkap metrik dan log dari kontainer

Inferensi dan Sajian Berkontainer

  • Merancang microservice inferensi
  • Optimasi kontainer runtime untuk produksi
  • Implementasi arsitektur sajian yang scalable

Orkestrasi Pipeline dengan Docker Compose

  • Menyelaraskan workflow ML multi-kontainer
  • Isolasi lingkungan dan manajemen konfigurasi
  • Integrasi layanan pendukung (misalnya, pelacakan, penyimpanan)

Versioning Model ML dan Manajemen Siklus Hidup

  • Melacak model, image, dan komponen pipeline
  • Lingkungan kontainer yang dikontrol versinya
  • Integrasi MLflow atau alat serupa

Penyelarasan dan Penskalaan Beban Kerja ML

  • Menjalankan pipeline di lingkungan terdistribusi
  • Menyelaraskan microservice menggunakan pendekatan asli Docker
  • Memantau sistem ML berkontainer

CI/CD untuk MLOps dengan Docker

  • Automatisasi build dan deployment komponen ML
  • Pengujian pipeline di lingkungan staging berkontainer
  • Memastikan reproducibility dan rollback

Ringkasan dan Langkah Selanjutnya

Persyaratan

  • Pemahaman tentang workflow machine learning
  • Pengalaman dengan Python untuk pengembangan data atau model
  • Keakraban dengan dasar-dasar kontainer

Target Peserta

  • Insinyur MLOps
  • Praktisi DevOps
  • Tim platform data
 21 Jam

Jumlah Peserta


Harga per Peserta

Testimoni (3)

Kursus Mendatang

Kategori Terkait