مطالب پیشنهادی از سراسر وب

آموزش Docker برای دانشمندان داده

دسته بندی ها: آموزش داکر (Docker) ، فریمورک ها ، آموزش های لینکدین (LinkedIn) ، علم داده (Data Science)

در زمینه ای که نتایج تجدیدپذیر مهم باشند، Docker به سرعت به عنوان یکی از ابزارهای برتر برای ایجاد کارآیی در کارهایی که تیم های علوم داده - به ویژه افراد مشغول در یادگیری ماشینی (ML) - انجام می دهند، پدیدار می شود. ایجاد و توسعه مدل های ML اغلب آشفته است. دانشمندان داده های فصلی می دانند که نسخه های مختلف یک نرم افزار واحد می توانند نتایج متفاوتی را به وجود آورند. با داکر می توانید ورژن های مناسب هر وابستگی و کتابخانه مورد نیاز را وارد کنید، بنابراین کسی مجبور به اجرای هیچ گونه پیکربندی نخواهد بود. پس از ساخته شدن Dockerfile، دقیقاً آنچه لازم دارید را خواهید داشت. در این دوره، Jonathan Fernandes به دانشمندان داده کمک می کند تا برخیزند و داکر را اجرا کنند و نشان می دهد که چگونه می توان یک اپلیکیشن Dockerized ML که به راحتی قابل اشتراک است را ایجاد کرد. در ادامه دوره، او موارد استفاده رایج از ابزار را به اشتراک می گذارد. در جمع بندی این دوره، شما آماده اید از قدرت کانتینرها در سایر پروژه های ML خود نیز استفاده کنید.

1. آشنایی با Docker

نتیجه گیری

فایل های تمرین Ex_Files_Docker_Data_Scientists.zip
آیا این نوشته را دوست داشتید؟
Linkedin Docker for Data Scientists Author:Jonathan Fernandes Duration:0:46:36 Level:BEGINNER_INTERMEDIATE

In a field where reproducible results are essential, Docker is rapidly emerging as one of the top tools for bringing efficiency to the work that data science teams—particularly those working in machine learning (ML)—are doing. Creating and developing ML models is often messy. Seasoned data scientists know that different versions of the same software can produce different results. With Docker, you can include the right versions of each needed dependency and library, so no one ever has to do any configuration. After the Dockerfile is built, you'll have exactly what you need. In this course, Jonathan Fernandes helps data scientists get up and running with Docker, demonstrating how to build a Dockerized ML application that can easily be shared. Along the way, he shares common use cases for the tool. Upon wrapping up this course, you'll be prepared to leverage the power of containers in your other ML projects.

پیشنهاد آموزش مرتبط در فرادرس