Универсальный интенсив по Docker для машинного обучения, генерации искусственного интеллекта и агентного ИИ [Udemy] [Gourav J. Shah]

Складчина: Универсальный интенсив по Docker для машинного обучения, генерации искусственного интеллекта и агентного ИИ [Udemy] [Gourav J. Shah]

Ultimate Docker Bootcamp for ML, GenAI and Agentic AI
Язык английский
Орг бонусом сделает автоперевод видео [авто]ии



Освойте Docker для реальных рабочих процессов в области ИИ и машинного обучения — Dockerfile, Compose, Docker Model Runner, Model Context Protocol (MCP)

Чему вы научитесь

• Запуск и управление контейнерами Docker, специально разработанными для рабочих процессов искусственного интеллекта и машинного обучения.
• Контейнеризация блокнотов Jupyter, панелей мониторинга Streamlit и сред разработки машинного обучения.
• Упаковка и развертывание моделей машинного обучения с помощью Dockerfile.
• Публикуйте свои проекты машинного обучения в Hugging Face Spaces.
• Загрузка и выгрузка образов из DockerHub, а также управление жизненным циклом образов Docker.
• Применяйте лучшие практики Docker для воспроизводимых исследований в области машинного обучения и совместных проектов.
• Вывод LLM с помощью Docker Model Runner
• Настройка рабочих процессов Agentic AI с помощью инструментария Docker Model Context Protocol (MCP).
• Создавайте и развертывайте контейнеризированные приложения машинного обучения с помощью Docker Compose.

Материалы курса
6 разделов • 45 лекций • Общая продолжительность 6 ч 4 мин

• Введение
• Запуск и работа сред разработки машинного обучения с помощью Docker
• Упаковка ML-приложений в виде образов контейнеров с помощью Dockerfiles
• Моделирование систем машинного обучения промышленного уровня в Dev с помощью Docker Compose
• Локальный запуск LLM с помощью Docker Model Runner
• Изучение протокола Model Context с помощью Docker MCP Toolkit

Требования

• Базовое понимание Python — вам не нужно быть экспертом, но вы должны уверенно запускать скрипты или работать в блокнотах.
• Знание концепций машинного обучения — понимание того, что такое модель, и опыт использования таких библиотек, как scikit-learn, pandas или TensorFlow, будут полезны.
• Ноутбук с установленным Docker/Rancher — мы покажем вам, как настроить Docker Desktop для Windows, macOS или Linux.
• Рекомендуется иметь аккаунт на GitHub — для доступа к коду проекта и публикации собственных изменений.
• Желание создавать реальные проекты в области ИИ/машинного обучения с помощью Docker — предварительный опыт работы с Docker не требуется!

Описание
Добро пожаловать на лучший курс по Docker для инженеров в области искусственного интеллекта и машинного обучения, основанный на выполнении проектов.
Независимо от того, являетесь ли вы энтузиастом машинного обучения, специалистом по MLOps или профессионалом DevOps, поддерживающим команды, занимающиеся ИИ, — этот курс научит вас использовать всю мощь Docker для разработки, развертывания и обеспечения согласованности ИИ/машинного обучения.

Что внутри?
Этот курс построен на практических лабораторных работах и реальных проектах . Вы будете учиться на практике — контейнеризировать ноутбуки, запускать модели с помощью FastAPI, создавать панели мониторинга машинного обучения, развертывать многосервисные стеки и даже запускать большие языковые модели (LLM) в средах Docker.
Каждый модуль представляет собой самостоятельный проект, который вы можете использовать в своей работе или портфолио.

Чем отличается этот курс?

• Проектное обучение : каждый модуль имеет реальное практическое применение — без лишней информации.
• Ориентировано на ИИ/машинное обучение : разработано с учетом потребностей специалистов по машинному обучению, а не является общим руководством по Docker.
• Готовность к MCP и LLM : узнайте, как запускать LLM локально с помощью Docker Model Runner и использовать Docker MCP Toolkit для начала работы с протоколом контекста модели (Model Context Protocol).
• FastAPI, Streamlit, Compose, DevContainers — всё в одном курсе.

Проекты, которые вы будете строить

• Воспроизводимая среда разработки Jupyter + Scikit-learn
• Модель машинного обучения, обернутая в FastAPI, в контейнере Docker.
• Панель мониторинга Streamlit для выполнения вычислений машинного обучения в реальном времени.
• LLM-раннер с использованием Docker Model Runner
• Полноценная настройка Compose (фронтенд + модель + API)
• Конвейер CI/CD для сборки и отправки образов Docker.

По окончании курса вы сможете:

• Стандартизируйте среды машинного обучения во всех командах.
• Развертывайте модели с уверенностью — от ноутбука до облака.
• Воспроизводите эксперименты в одной строке с помощью Docker.
• Экономьте время на отладке проблем типа «у меня всё заработало»
• Создайте портативный и масштабируемый рабочий процесс разработки машинного обучения.

Для кого этот курс:

• Специалисты по анализу данных и инженеры машинного обучения, желающие внедрить свои рабочие процессы в производство.
• Специалисты в области ИИ/машинного обучения, желающие упростить контейнеризацию и развертывание моделей.
• Инженеры DevOps, работающие с командами, занимающимися искусственным интеллектом, и стремящиеся создавать конвейеры, готовые к использованию в машинном обучении.
• Любители и учащиеся в области ИИ, желающие запускать LLM-ы или панели мониторинга локально с использованием контейнеров.
• Кто-нибудь устал от проблем типа «у меня на компьютере всё работает» в средах машинного обучения?

Спойлер: Оригинал описания:

• Basic understanding of Python — you don’t need to be an expert, but you should be comfortable running scripts or working in notebooks.
• Familiarity with Machine Learning concepts — knowing what a model is, and having used libraries like scikit-learn, pandas, or TensorFlow will help.
• Laptop with Docker/Rancher installed — we’ll walk you through setting up Docker Desktop for Windows, macOS, or Linux.
• A GitHub account (recommended) — for accessing project code and pushing your own.
• Curiosity to build real-world AI/ML projects with Docker — no prior Docker experience is required!

Описание
Welcome to the ultimate project-based course on Docker for AI/ML Engineers.

Whether you're a machine learning enthusiast, an MLOps practitioner, or a DevOps pro supporting AI teams — this course will teach you how to harness the full power of Docker for AI/ML development, deployment, and consistency.

What’s Inside?
This course is built around hands-on labs and real projects. You'll learn by doing — containerizing notebooks, serving models with FastAPI, building ML dashboards, deploying multi-service stacks, and even running large language models (LLMs) using Dockerized environments.
Each module is a standalone project you can reuse in your job or portfolio.

What Makes This Course Different?

• Project-based learning: Each module has a real-world use case — no fluff.
• AI/ML Focused: Tailored for the needs of ML practitioners, not generic Docker tutorials.
• MCP & LLM Ready: Learn how to run LLMs locally with Docker Model Runner and use Docker MCP Toolkit to get started with Model Context Protocol
• FastAPI, Streamlit, Compose, DevContainers — all in one course.

Projects You'll Build

• Reproducible Jupyter + Scikit-learn dev environment
• FastAPI-wrapped ML model in a Docker container
• Streamlit dashboard for real-time ML inference
• LLM runner using Docker Model Runner
• Full-stack Compose setup (frontend + model + API)
• CI/CD pipeline to build and push Docker images

By the end of the course, you’ll be able to:

• Standardize your ML environments across teams
• Deploy models with confidence — from laptop to cloud
• Reproduce experiments in one line with Docker
• Save time debugging “it worked on my machine” issues
• Build a portable and scalable ML development workflow

Для кого этот курс:

• Data Scientists and ML Engineers who want to productionize their workflows
• AI/ML Practitioners looking to containerize and deploy models easily
• DevOps Engineers supporting AI teams and looking to build ML-ready pipelines
• AI Hobbyists and Learners who want to run LLMs or dashboards locally using containers
• Anyone tired of “it works on my machine” issues in ML environments

Цена: 4500 руб
Скрытая ссылка