آموزش Docker برای دانشمندان داده

Docker for Data Scientists

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: در زمینه ای که نتایج قابل تکرار آن ضروری است ، داکر به سرعت در حال ظهور به عنوان یکی از ابزارهای برتر برای کارآیی در کار است که تیم های علوم داده - به ویژه کسانی که در یادگیری ماشین (ML) کار می کنند ، انجام می دهند. ایجاد و توسعه مدل های ML اغلب کثیف است. دانشمندان داده های فصلی می دانند که نسخه های مختلف یک نرم افزار می تواند نتایج متفاوتی ایجاد کند. با استفاده از Docker ، می توانید نسخه های مناسب هر وابستگی و کتابخانه مورد نیاز را وارد کنید ، بنابراین هیچ کس مجبور نیست هرگونه تنظیمات را انجام دهد. پس از ساخت Dockerfile ، دقیقاً همان چیزی را که نیاز دارید خواهید داشت. در این دوره ، Jonathan Fernandes به دانشمندان داده کمک می کند تا با Docker کار کنند و نحوه ساخت یک برنامه Dockerized ML را که به راحتی قابل اشتراک گذاری است ، نشان دهند. در طول راه ، او موارد استفاده مشترک برای این ابزار را به اشتراک می گذارد. با پایان دادن به این دوره ، شما آماده استفاده از قدرت کانتینرها در سایر پروژه های ML خود خواهید بود.
موضوعات شامل:
  • چرا داکر برجسته می شود
  • در حال استفاده از یک کانتینر
  • داکر زیر کاپوت
  • کار با Dockerfiles
  • در حال بارگذاری تصاویر در Docker Hub
  • موارد استفاده معمول برای Docker

سرفصل ها و درس ها

مقدمه Introduction

  • داکر و علوم داده Docker and data science

  • آنچه باید بدانید What you should know

1. آشنایی با داکر 1. Introduction to Docker

  • داکر چیست؟ What is Docker?

  • چرا داکر؟ Why Docker?

  • Docker را نصب کنید Install Docker

  • ویرایشگر متن را نصب کنید Install a text editor

2. کار با داکر 2. Working with Docker

  • با استفاده از تصاویر Using images

  • ظرف را اجرا می کنید Running a container

  • داکر در زیر کاپوت Docker under the hood

3. کار با Dockerfiles 3. Working With Dockerfiles

  • اصول اولیه Dockerfile Dockerfile basics

  • عیب یابی Dockerfiles Troubleshooting Dockerfiles

  • بارگذاری تصاویر در داکر هاب Uploading images to Docker Hub

4- موارد استفاده معمولی 4. Common Use Cases

  • ایجاد یک محیط توسعه مشترک Creating a common development environment

  • به اشتراک گذاشتن نتایج با همکاران Sharing results with colleagues

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

نظری ارسال نشده است.

آموزش Docker برای دانشمندان داده
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
46m 36s
15
Linkedin (لینکدین) lynda-small
31 خرداد 1398 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
8,022
- از 5
ندارد
دارد
دارد

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Jonathan Fernandes Jonathan Fernandes

مشاور متمرکز بر علوم داده ، هوش مصنوعی و داده های بزرگ جاناتان فرناندس برای یک مشاور کار می کند و در درجه اول روی علوم داده ، هوش مصنوعی و داده های بزرگ تمرکز دارد.

جاناتان از کار خود لذت می برد ، زیرا عشق او به اعداد ، کدگذاری و آمار را ترکیبی می کند. جاناتان دارای مدرک کارشناسی علوم کامپیوتر و MBA از دانشگاه وارویک است.

Linkedin (لینکدین)

لینکدین: شبکه اجتماعی حرفه‌ای برای ارتباط و کارآفرینی

لینکدین به عنوان یکی از بزرگترین شبکه‌های اجتماعی حرفه‌ای، به میلیون‌ها افراد در سراسر جهان این امکان را می‌دهد تا ارتباط برقرار کنند، اطلاعات حرفه‌ای خود را به اشتراک بگذارند و فرصت‌های شغلی را کشف کنند. این شبکه اجتماعی به کاربران امکان می‌دهد تا رزومه حرفه‌ای خود را آپدیت کنند، با همکاران، دوستان و همکاران آینده ارتباط برقرار کنند، به انجمن‌ها و گروه‌های حرفه‌ای ملحق شوند و از مقالات و مطالب مرتبط با حوزه کاری خود بهره‌مند شوند.

لینکدین همچنین به کارفرمایان امکان می‌دهد تا به دنبال نیروهای با تجربه و مهارت مورد نیاز خود بگردند و ارتباط برقرار کنند. این شبکه حرفه‌ای به عنوان یک پلتفرم کلیدی برای بهبود دسترسی به فرصت‌های شغلی و گسترش شبکه حرفه‌ای خود، نقش مهمی را ایفا می‌کند. از این رو، لینکدین به عنوان یکی از مهمترین ابزارهای کارآفرینی و توسعه حرفه‌ای در دنیای امروز مورد توجه قرار دارد.