Contacta con nosotros

Temario del curso

Introducción a la contenerización para IA y ML

  • Conceptos fundamentales de la contenerización
  • Por qué los contenedores son ideales para cargas de trabajo de ML
  • Diferencias clave entre contenedores y máquinas virtuales

Trabajando con imágenes y contenedores de Docker

  • Comprensión de imágenes, capas y registros
  • Administración de contenedores para experimentación de ML
  • Uso eficiente de la interfaz de línea de comandos (CLI) de Docker

Empaquetado de entornos de ML

  • Preparación de repositorios de código para contenerización
  • 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
  • Mejores prácticas para rendimiento y mantenibilidad
  • Uso de compilaciones en varias etapas (multi-stage builds)

Contenerización de modelos y pipelines de ML

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

Ejecución de servicios de ML contenerizados

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

Consideraciones de seguridad y cumplimiento

  • Garantización de configuraciones seguras de contenedores
  • Gestión de accesos y credenciales
  • Manejo de activos confidenciales de ML

Implementación en entornos de producción

  • Publicación de imágenes en registros de contenedores
  • Despliegue de contenedores en instalaciones propias o configuraciones en la nube
  • Versionado y actualización de servicios en producción

Resumen y próximos pasos

Requerimientos

  • Comprensión de los flujos de trabajo del aprendizaje automático
  • Experiencia con Python u otros lenguajes de programación similares
  • Familiaridad con las operaciones básicas de la línea de comandos de Linux

Audiencia objetivo

  • Ingenieros de ML que implementan modelos en producción
  • Científicos de datos que gestionan entornos reproducibles para experimentación
  • Desarrolladores de IA que crean aplicaciones escalables y contenerizadas
 14 Horas

Número de participantes


Precio por participante

Testimonios (3)

Próximos cursos

Categorías Relacionadas