コース概要

AI & MLのためのコンテナ化入門

  • コンテナ化の基本概念
  • なぜコンテナがMLワークロードに理想的なのか
  • コンテナと仮想マシンの主な違い

Dockerイメージとコンテナの操作

  • イメージ、レイヤー、レジストリの理解
  • ML実験用にコンテナを管理する
  • Docker CLIの効率的な使用

機械学習環境のパッケージ化

  • コンテナ化に向けたMLコードベースの準備
  • Python環境と依存関係の管理
  • CUDAとGPUサポートの統合

機械学習用Dockerfileの構築

  • MLプロジェクト向けにDockerfileを構造化する
  • パフォーマンスと保守性のためのベストプラクティス
  • マルチステージビルドの使用

MLモデルとパイプラインのコンテナ化

  • 学習済みモデルをコンテナにパッケージ化する
  • データとストレージ戦略の管理
  • 再現性のあるエンドツーエンドワークフローをデプロイする

コンテナ化されたMLサービスの実行

  • モデル推論用にAPIエンドポイントを公開する
  • Docker Composeを使用してサービスをスケーリングする
  • 実行時の動作を監視する

セキュリティとコンプライアンスの考慮事項

  • セキュアなコンテナ設定の確保
  • アクセスと認証情報の管理
  • 機密性の高いML資産の取り扱い

本番環境へのデプロイ

  • コンテナレジストリにイメージを公開する
  • オンプレミスまたはクラウドセットアップでコンテナをデプロイする
  • 本番サービスのバージョニングと更新

要約と次なるステップ

要求

  • 機械学習ワークフローの理解
  • Pythonや類似言語での経験
  • 基本的なLinuxコマンドライン操作の知識

対象者

  • 本番環境にモデルをデプロイするMLエンジニア
  • 再現性のある実験環境を管理するデータサイエンティスト
  • スケーラブルなコンテナ化アプリケーションを構築するAI開発者
 14 時間

参加者の人数


参加者1人あたりの価格

お客様の声 (5)

今後のコース

関連カテゴリー