Eğitim İçeriği

Makine Öğrenme Modellerinin Dağıtım Hazırlığı

  • Modellerin Docker ile paketlenmesi
  • TensorFlow ve PyTorch'tan modellere dışa aktarma
  • Sürümleme ve depolama dikkate alınması

Kubernetes Üzerinde Model Hizmeti Verme

  • Çıkarım sunucularına genel bakış
  • TensorFlow Serving ve TorchServe dağıtımının yapılması
  • Model uç noktalarının kurulması

Çıkarım İyileştirme Teknikleri

  • Toplu işlem stratejileri
  • Eşzamanlı istek işleme
  • Gecikme ve aktarım hızı ayarlaması

ML İş Yüklerinin Otomatik Ölçeklendirilmesi

  • Yatay Pod Otomatik Ölçeklendirici (HPA)
  • Dikey Pod Otomatik Ölçeklendirici (VPA)
  • Kubernetes Olay Tabanlı Otomatik Ölçeklendirici (KEDA)

GPU Sağlama ve Kaynak Yönetimi

  • GPU düğümlerinin yapılandırılması
  • NVIDIA cihaz eklentisine genel bakış
  • ML iş yükleri için kaynak talepleri ve sınırlar

Model Dağıtım ve Sürüm Stratejileri

  • Mavi/yeşil dağıtımlar
  • Kuzgun dağıtım desenleri
  • Model değerlendirme için A/B testleri

Üretimde ML için İzleme ve Gözden Geçirme

  • Çıkarım iş yükleri için metrikler
  • Günlük kaydı ve izleme uygulamaları
  • Panolar ve uyarılar

Güvenlik ve Dayanıklılık Dikkate Alınması

  • Model uç noktalarının güvenştirilmesi
  • Ağ politikaları ve erişim kontrolü
  • Yüksek kullanılabilirlik sağlanması

Özet ve Sonraki Adımlar

Kurs İçin Gerekli Önbilgiler

  • Kapsayıcılı uygulama iş akışları hakkında bilgi sahibi olmak
  • Python tabanlı makine öğrenme modelleriyle deneyim sahibi olmak
  • Kubernetes temel kavramları hakkında bilgi sahibi olmak

Hedef Kitle

  • ML mühendisleri
  • DevOps mühendisleri
  • Platform mühendislik takımları
 14 Saatler

Katılımcı Sayısı


Katılımcı başına fiyat

Danışanlarımızın Yorumları (5)

Yaklaşan Etkinlikler

İlgili Kategoriler