Bize Ulaşın
 Süre 14 Saat

Eğitim İçeriği

Dağıtıma Hazırlık: Makine Öğrenimi Modelleri

  • Docker ile modellerin paketlenmesi
  • TensorFlow ve PyTorch'tan modellerin dışa aktarılması
  • Sürümleme ve depolama hususları

Kubernetes Üzerinde Model Sunumu

  • Çıkarım sunucularına genel bakış
  • TensorFlow Serving ve TorchServe'in dağıtılması
  • Model uç noktalarının (endpoint) yapılandırılması

Çıkarım Optimizasyonu Teknikleri

  • Toplu işleme (batching) stratejileri
  • Eşzamanlı istek yönetimi
  • Gecikme ve veri aktarım hızı ayarları

ML Yüklerinde Otomatik Ölçeklendirme

  • Horizontal Pod Autoscaler (HPA)
  • Vertical Pod Autoscaler (VPA)
  • Kubernetes Event-Driven Autoscaling (KEDA)

GPU Sağlama ve Kaynak Yönetimi

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

Model Yayılımı ve Sürüm Stratejileri

  • Mavi/yeşil dağıtımlar
  • Canary (kargalı) yayılım modelleri
  • Model değerlendirmesi için A/B testleri

Üretim Ortamında ML için İzleme ve Gözlemlenebilirlik

  • Çıkarım yükleri için metrikler
  • Kayıt tutma (logging) ve izleme (tracing) uygulamaları
  • Paneller ve uyarı mekanizmaları

Güvenlik ve Güvenilirlik Hususları

  • Model uç noktalarının güvenliğinin sağlanması
  • Ağ politikaları ve erişim kontrolü
  • Yüksek kullanılabilirliğin sağlanması

Özet ve Bir Sonraki Adımlar

Kurs İçin Gerekli Önbilgiler

  • Konteynerize uygulama iş akışlarına hâkimiyet
  • Python tabanlı makine öğrenimi modelleriyle deneyim
  • Kubernetes temellerine aşinalık

Hedef Kitle

  • Makine öğrenimi mühendisleri
  • DevOps mühendisleri
  • Platform mühendisliği ekipleri

Katılımcı Sayısı


Katılımcı başına fiyat

Danışanlarımızın Yorumları (4)

Yaklaşan Etkinlikler

İlgili Kategoriler