Ponte en Contacto

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 CUDA y soporte para GPU

Creación de Dockerfiles para aprendizaje automático

  • Estructuración de Dockerfiles para proyectos de ML
  • Mejores prácticas para el rendimiento y la mantenibilidad
  • Uso de construcciones en múltiples etapas (multi-stage builds)

Contenedorización de modelos y pipelines de ML

  • Empaquetado de modelos entrenados en contenedores
  • Gestión de estrategias de datos y almacenamiento
  • Despliegue de flujos de trabajo de extremo a extremo reproducibles

Ejecución de servicios de ML en contenedores

  • Exposición de puntos finales de API para inferencia de modelos
  • Escala de servicios con Docker Compose
  • Monitoreo del comportamiento en tiempo de ejecución

Consideraciones de seguridad y cumplimiento

  • Aseguramiento de configuraciones de contenedores seguras
  • Gestión de acceso 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 on-premise o en la nube
  • Gestión de versiones 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
  • Conocimiento básico de las operaciones de línea de comandos de 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 escalables en contenedores
 14 Horas

Número de participantes


Precio por participante

Reseñas (3)

Próximos cursos

Categorías Relacionadas