연락처 정보

코스 개요

AI 및 ML을 위한 컨테이너화 소개

  • 컨테이너화의 핵심 개념
  • 컨테이너가 ML 워크로드에 이상적인 이유
  • 컨테이너와 가상 머신 간의 주요 차이점

Docker 이미지 및 컨테이너 활용하기

  • 이미지, 레이어 및 레지스트리 이해
  • ML 실험을 위한 컨테이너 관리
  • Docker CLI의 효율적 사용

ML 환경 패키징

  • 컨테이너화를 위한 ML 코드베이스 준비
  • Python 환경 및 종속성 관리
  • CUDA 및 GPU 지원 통합

기계 학습용 Dockerfile 작성

  • ML 프로젝트를 위한 Dockerfile 구조화
  • 성능 및 유지보수성을 위한 모범 사례
  • 멀티스테이지 빌드 활용

ML 모델 및 파이프라인 컨테이너화

  • 학습된 모델을 컨테이너로 패키징
  • 데이터 및 저장소 전략 관리
  • 재현 가능한 엔드투엔드 워크플로 배포

컨테이너화된 ML 서비스 실행

  • 모델 추론을 위한 API 엔드포인트 노출
  • Docker Compose를 활용한 서비스 스케일링
  • 런타임 행동 모니터링

보안 및 준수 사항 고려

  • 안전한 컨테이너 구성 보장
  • 접근 권한 및 자격 증명 관리
  • 기밀 ML 자산 처리

프로덕션 환경 배포

  • 컨테이너 레지스트리에 이미지 공개
  • 온프레미스 또는 클라우드 환경에서 컨테이너 배포
  • 프로덕션 서비스의 버전 관리 및 업데이트

요약 및 다음 단계

요건

  • 기계 학습 워크플로에 대한 이해
  • Python 또는 유사한 프로그래밍 언어 사용 경험
  • 기본적인 Linux 커맨드 라인 작업에 대한 익숙함

수강 대상

  • 모델을 프로덕션에 배포하는 ML 엔지니어
  • 재현 가능한 실험 환경을 관리하는 데이터 사이언티스트
  • 확장 가능한 컨테이너 기반 애플리케이션을 구축하는 AI 개발자
 14 시간

참가자 수


참가자별 가격

회원 평가 (3)

예정된 코스

관련 카테고리