강의

멘토링

로드맵

Inflearn brand logo image
BEST
Programming

/

Devops & Infra

실전도커: Docker bằng cách tạo máy tính đám mây học sâu riêng của bạn

Bạn có thể sử dụng Docker để tạo môi trường phân tích học sâu trên đám mây. Khi kết hợp Docker và đám mây do Google, MS quản lý, bạn có thể thực hiện công việc bằng các phương pháp phân tích học sâu mới nhất trên máy tính của mình.

(4.7) 13 đánh giá

233 học viên

  • danielyouk
도커
머신러닝
kaggle
rdp
외국계
Docker
Virtualization
Python
Deep Learning(DL)
mlops

Đánh giá từ những học viên đầu tiên

Dịch cái này sang tiếng Việt

  • Docker được sử dụng để xây dựng môi trường phân tích dữ liệu giống như Kaggle

  • Nhiều cách khác nhau để kết nối với đám mây với sức mạnh tính toán mạnh mẽ tại địa phương

  • Làm thế nào để giảm thiểu chi phí khi sử dụng đám mây

  • Linux để hiểu Docker

  • Sử dụng chức năng container của IDE (VSCode, RStudio, Jupyter Notebook)

Docker + Cloud + Học sâu = Nhà khoa học dữ liệu DevOps

Bài giảng tập trung vào thực hành dự án Docker

  • Áp dụng vùng chứa Docker để đồng bộ hóa cùng một môi trường phân tích dữ liệu trên môi trường cục bộ và máy tính đám mây Azure của bạn.

  • Phân tích ánh sáng được thực hiện trên máy tính cục bộ.

  • Đối với các phân tích tốn nhiều tài nguyên, hãy thực hiện trên máy tính đám mây.


Sự khác biệt về tốc độ có thể nhìn thấy (trái: đám mây so với phải: môi trường cục bộ)

  • Giảm giá 10% tại chỗ trên giá thông thường

  • Sử dụng điện toán đám mây NVIDIA GPU với chi phí thấp

  • Khi sử dụng máy tính đám mây làm máy chủ cho nhóm của bạn, bạn có thể hoàn toàn cô lập môi trường làm việc của từng thành viên trong nhóm bằng các container Docker.


Tính năng của khóa học

  • Sử dụng tính năng Liên kết động để nhanh chóng tìm tài liệu có liên quan ngay cả sau giờ học.

  • Duy trì khuôn khổ cơ bản của tài liệu giảng dạy

  • Liên kết cập nhật tài liệu mới nhất và cho phép bạn tải xuống tài liệu lớp học định kỳ sau giờ học để truy cập nhanh vào thông tin mới nhất.

📖 Danh sách nội dung chính

Học lệnh Docker

Tìm hiểu cách hiểu và áp dụng các lệnh Docker bằng cách sử dụng chức năng trợ giúp Docker. (Phần 4)

  • docker chạy --trợ giúp

  • Sử dụng chatgpt

Tạo máy ảo trong Azure

Tạo máy ảo Linux trên Azure Cloud và kết nối môi trường cục bộ của bạn với máy ảo đám mây theo nhiều cách khác nhau. (Phần 6)

  • ssh dựa trên khóa (shell an toàn)

  • rdp (giao thức máy tính từ xa) ở chế độ gui

  • Kết nối với VS Code Environment thông qua Remote Tunnel Extension

Docker cho Python

Tìm hiểu cách tạo môi trường phân tích Python bằng tiện ích mở rộng dev container VS Code. (Phần 7)

Xây dựng và triển khai hình ảnh Docker



Docker dành cho Python sử dụng các container dev và tiện ích mở rộng đường hầm từ xa cho phép bạn sử dụng Docker mà không cần biết cú pháp cơ bản của Docker. Mặc dù đây là một tính năng mạnh mẽ, nhưng để hiểu rõ hơn về cú pháp Docker, chúng tôi sẽ hướng dẫn quy trình cài đặt RStudio mới nhất cùng với Kaggle R Docker Image, bao gồm các nội dung sau: (Phần 8)

  • SAO CHÉP và THÊM

  • Cài đặt các chương trình bổ sung bằng lệnh RUN

  • Hiểu về kết nối cổng

  • CMD và ENTRYPOINT

  • ĐỐI TƯỢNG

Thiết lập hệ thống chia sẻ tập tin


Khi kết nối môi trường cục bộ và đám mây, vốn là mục tiêu của phòng thí nghiệm, thì việc chỉ kết nối môi trường điện toán là không đủ. Mặc dù bạn có thể cảm thấy thoải mái khi học, nhưng việc thiết lập hệ thống chia sẻ tệp là điều cần thiết để áp dụng kiến ​​thức đã học vào các dự án thực tế. Nó bao gồm các chủ đề sau: (Mục 11)

  • Tạo ADLS2 ( azure-data-lake-gen2 )

  • Kết nối ADLS2 với máy ảo Linux thông qua blob mount

  • Kết nối ADLS2 với môi trường Windows thông qua phương pháp blobfuse

  • Truy cập ADLS2 Directory trong môi trường Windows và MAC thông qua Microsoft Azure Storage Explorer

Bài viết này hướng dẫn cách thiết lập môi trường phân tích Spark trên máy tính cá nhân của bạn bằng Docker Compose và ADLS2. (Mục 11)

  • Hiểu biết khái niệm về Docker Compose

  • Kết nối ADLS2 trực tiếp với vùng chứa Docker

  • Cấu hình môi trường phân tích PySpark

Triển khai ảo hóa thực sự


Triển khai container hóa thực sự, mục tiêu của Docker, trên các máy ảo Linux Server trong Azure Cloud. (Phần 12)

Chúng tôi mô phỏng quá trình tạo quản trị viên máy chủ và nhiều người dùng, tất cả đều chia sẻ một Docker Image chung, đồng thời hoàn toàn cô lập môi trường Docker Container của nhau. Nội dung này trở thành cốt lõi của mlops.

Yêu cầu về công cụ và phần cứng được sử dụng trong lớp học

  • Sử dụng Visual Studio Code

  • Cài đặt GPU áp dụng cho máy ảo Linux trên đám mây và kết nối với môi trường cục bộ

  • Môi trường cục bộ có thể là Windows, Linux hoặc MAC, do đó bạn có thể tiến hành dự án trong bất kỳ môi trường nào.

Tôi sẽ nhận được gì sau khi tham gia khóa học?

  • Sự tự tin vào các dự án sử dụng Docker

  • Thoát khỏi gánh nặng của đám mây và Linux

  • Máy tính cao cấp dựa trên GPU có giá khoảng 10 đô la một tháng

Bạn có thắc mắc nào không?

H. Tôi có cần GPU ở môi trường cục bộ của mình không?

Việc cấu hình cùng một môi trường phân tích dữ liệu dựa trên GPU tại địa phương và trên đám mây không có nghĩa là bạn cần có GPU tại địa phương.

Nếu không thiết lập cài đặt GPU, môi trường phân tích sẽ được thiết lập dựa trên CPU.

H. Tôi có thể sử dụng hệ điều hành nào để tạo ra kết quả cuối cùng?

Bạn có thể thực hành trong mọi trường hợp, bất kể hệ điều hành tại môi trường cục bộ của bạn là Windows, Linux hay MAC.

Kết nối với máy tính đám mây Linux từ môi trường cục bộ của bạn, bất kể hệ điều hành nào ở môi trường cục bộ của bạn.

H. Tôi là người dùng Python. Có một phần liên quan đến R trong bài giảng. Tôi có cần học nội dung liên quan đến R không?

Như bạn sẽ nhận thấy sau khi tham gia lớp học, việc sử dụng tiện ích mở rộng dev container của VS Code giúp quá trình tạo container docker python trở nên vô cùng dễ dàng. Trên thực tế, sự đơn giản này có thể khiến bạn xa rời mục tiêu học cú pháp Docker hơn. Ví dụ, các vùng chứa dev sẽ tự động thực hiện quy trình gắn ổ đĩa ngay cả khi bạn không áp dụng quy trình gắn ổ đĩa được nhấn mạnh trong hầu hết các lớp Docker.

Vì vậy, tôi cố tình đưa vào phần R để giúp sinh viên học cú pháp Docker. Nhiều bài giảng về Docker dựa trên các ứng dụng dựa trên ứng dụng như nodejs, nhưng chúng tôi đã đưa thêm phần R để đưa vào các trường hợp dựa trên dữ liệu để các kỹ sư dữ liệu và nhà khoa học có thể truy cập dễ dàng nhất có thể.

Thay vì nghĩ đây là phần để học R, hãy coi đây là khóa học giúp bạn củng cố hiểu biết về cú pháp Docker.

H. Chi phí hợp lý cho việc sử dụng dịch vụ đám mây là bao nhiêu?

Đối với các mô hình được sử dụng để thực hành, khi áp dụng tùy chọn Giảm giá ngay, chi phí khoảng 10 đô la mỗi tháng (nếu sử dụng khoảng 3 giờ mỗi ngày).

Việc xây dựng các máy ảo có thông số kỹ thuật cao cho các dự án thực tế có thể phát sinh thêm chi phí.

H. Người chơi có cần biết không?

Khóa học này không yêu cầu bạn phải có kiến ​​thức trước.

Mặc dù không cần có kiến ​​thức trước nhưng độ khó của bài giảng không hề dễ dàng. Tuy nhiên, nội dung được cấu trúc sao cho có thể lặp lại và đi sâu vào nhiều phần khác nhau của bài giảng.

Khuyến nghị cho
những người này

Khóa học này dành cho ai?

  • Kỹ sư dữ liệu, nhà khoa học và nhà phân tích muốn tìm hiểu Docker một cách thực tế.

  • Các nhà phát triển và kỹ sư muốn học Docker thông qua thực hành

  • Bất kỳ ai cần danh mục đầu tư thực tế trên đám mây

Xin chào
Đây là

608

Học viên

63

Đánh giá

73

Trả lời

4.8

Xếp hạng

7

Các khóa học

  • LLM 기반 AI 기업에서 Pod Lead로 활동

  • 서울대학교 기계항공 공학부 졸업

  • 유럽 소재 대학원에서 기계항공공학 석사

  • 독일 소재 공학 연구기관에서 박사 과정 연구 수행

  • 유럽 대형 에너지 기업에서 Senior Data Scientist 경험

  • 영국 소재 에너지 컨설팅 기업에서 Senior Consultant 활동

  • Databricks 기반 데이터 엔지니어링 프로젝트 수행

  • Kaggle 주식 거래 AI 대회 Top 3% 성과

  • AI Agent 개발팀장으로 현재 활동 중

Chương trình giảng dạy

Tất cả

66 bài giảng ∙ (10giờ 27phút)

Tài liệu khóa học:

Tài liệu bài giảng
Ngày đăng: 
Cập nhật lần cuối: 

Đánh giá

Tất cả

13 đánh giá

4.7

13 đánh giá

  • SPAGGY님의 프로필 이미지
    SPAGGY

    Đánh giá 7

    Đánh giá trung bình 4.6

    5

    31% đã tham gia

    도커 초보자도 쉽게 따라 할 수 있습니다.

    • 다니엘
      Giảng viên

      SPAGGY님 수강평 감사합니다. 앞으로도 좋은 강의로 찾아 뵐께요😀 그리고 언제든 수업 내용과 관련된 내용에 대해서 질문 남겨 주시면 최대한 쉽고 성실하게 답변 하겠습니다.

  • 심심한 펭귄님의 프로필 이미지
    심심한 펭귄

    Đánh giá 1

    Đánh giá trung bình 5.0

    5

    8% đã tham gia

    데이터 분석에 필요한 도커 강의를 검색해서 강의를 듣게되었어요~원래부터 관심이 있던 분야인데 마땅한강의가 안보였었는데 mlops를 위한 너무 좋은 강의네요! 강의는 도커 뿐 아니라 리눅스 시스템 그리고 클라우드까지 전체를 다루고 있네요! 아직 끝까지 듣지못했지만 난이도도 좀 있지만 충분히 따라갈수있고 실무에 적용해볼수있을거같아요~

    • 다니엘
      Giảng viên

      심심한 펭귄님! 아이디에서도 센스가 넘치시네요. mlops가 뭐 별건가요? 약간의 클라우드, 도커 컨테이너, 그리고 가능하다면 깃을 어느 정도 할 수 있으면 현업자분들은 이미 mlops 전문가세요^^; 꼭 앞으로의 실무에서도 학습 내용이 연결 되어서 좋은 성과 있길 바랍니다.

  • Sung Cheol Kim님의 프로필 이미지
    Sung Cheol Kim

    Đánh giá 1

    Đánh giá trung bình 5.0

    5

    10% đã tham gia

    우선 좋은 강의를 만들어 주셔서 감사합니다. 저는 ML/AI 쪽으로 연구 및 실무를 하는 사람인데, MLOps와 관련해서 좋은 강의를 찾다가 이 강의를 듣게 되었습니다. Docker에 관해서는 좀 더 쉬운 강의도 있지만, 이 강의에서는 조금더 어드밴스드 셋팅에서 설명을 해 주셔서 강의 듣는 내내, 단순 지식 뿐 아니라 근본적인 문제 해결을 위한 좋은 통찰력을 얻을 수 있었습니다. 동시에 각각의 강의는 간단한 내용으로 작게 세분해 주셔서 자연스럽게 조금씩 어려운 내용들로 나아가며 익힐 수 있었습니다. 무엇보다 실제 업계에서 일하시면서 얻은 노하우를 바탕으로 핵심 꼭지들을 잘 정리해 주셔서 자칫 너무 많은 기능들로 헷갈리기 쉬운 상황에서 어떻게 중심을 잡을지도 알게 되었습니다. 이 이후로 나올 강의들도 기대가 됩니다. 감사합니다.

    • 다니엘
      Giảng viên

      선도적인 일을 하시네요. 강의가 도움이 되었다니 감사한 마음이 듭니다. 강의 내용을 실전에서 직접 사용해 보실 수 있으면 근사할 것 같습니다. 만약 실전에 적용한 성공 사례를 공유해 주시면 지식의 선순환이 될 것 같습니다. 감사합니다.

  • impact님의 프로필 이미지
    impact

    Đánh giá 4

    Đánh giá trung bình 5.0

    5

    43% đã tham gia

    실전 같은 강의네요. 실제 업무 환경에서 도커를 어떻게 활용할 수 있는지 실질적인 예시와 팁을 제공하여 강의 개수가 많은데도 주말 동안 몰입해서 들었습니다. 다음에 다른 강의 올라오면 또 듣겠습니다.

    • 다니엘
      Giảng viên

      강의가 도움이 되었다니 너무 다행입니다. 강의를 최대한 실전과 동일한 방식으로 구성하려고 했습니다. 다음 강의 때 뵙겠습니다. 필요하신 경우 메일로도 연락을 주시면 제가 추가적으로 지원할 수 있는 것이 있으면 최대한 도와 드리도록 하겠습니다.

  • hakjuknu님의 프로필 이미지
    hakjuknu

    Đánh giá 155

    Đánh giá trung bình 5.0

    5

    17% đã tham gia

    great!

    1.614.287 ₫

    Khóa học khác của danielyouk

    Hãy khám phá các khóa học khác của giảng viên!

    Khóa học tương tự

    Khám phá các khóa học khác trong cùng lĩnh vực!