کارگاه آموزشی پروژه محور Docker برای علم داده

توجه: گواهینامه مدرسه علم داده بدون کداختصاصی قابل استعلام و واترمارک درج شده در ذیل نام و نام خانوادگی، نام دوره و هم چنین امضای مدیریت فاقد اعتبار است.

پوریا جهان دیده

پوریا بیشتر از ۷ سال سابقه کار Full Stack را در کارنامه خود دارد. او از سال ۱۳۹۴ تا به امروز در شرکت های معتبر و بزرگی همچون ایرانسل، اسنپ، زرین پال و کیان دیجیتال مشغول به فعالیت و توسعه نرم افزار بوده است. همچنین در سال ۱۳۹۳ در رشته مهندسی نرم افزار از دانشگاه علم صنعت ایران فارغ التحصیل شده است. پوریا تجربه دست و پنجه نرم کردن با زبان های برنامه نویسی و تکنولوژی های نرم افزاری متعددی از جمله موارد ذیل را نیز دارد:

 Node.js, PostgreSQL, NestJS, Next.js, React, GitLab CI/CD, Docker

Helm, Kubernetes, OpenShift, MobX, TypeScript, Python, Flask

Docker و کاربرد آن در Data Science

پس از شرکت در رویداد و درک اینکه چطور با داکر کار کنیم، می‌توان کارهای زیر را انجام داد:

• به اشتراک‌گذاری پژوهش‌هایی که نیاز به استفاده های تکراری دارند با همکاران و دوستان
• شرکت در رقابت‌های Kaggle و برنده شدن در آن‌ها با انتقال دادن کدها به یک محیط محاسباتی بزرگ‌تر به طور موقت
• نمونه‌سازی اولیه درون کانتینر داکر روی سیستم کاربر و سپس، انتقال دادن محاسبات به سرور بدون نیاز به انجام فعالیت های اضافی و غیرضروری، در حالی که بسیاری از ویژگی‌هایی که کاربر در محیط لوکال خود به آن‌ها علاقه دارد (مانند پلاگین‌های Vim، اسکریپت‌های Bash و Aliasها) در آن وجود دارند.
• instantiate سریع همه مخازنی که برای اجرای Tensorflow ،Pytorch و دیگر کتابخانه‌های یادگیری عمیق روی GPU با استفاده از Nvidia-Docker (در صورتی که کاربر بخواهد چنین کاری را از پایه انجام بدهد، بسیار دشوار خواهد بود) نیاز هستند.
• انتشار مدل‌ها به عنوان برنامه‌های کاربردی؛ برای مثال، به عنوان یک Rest API که از کانتینر داکر پیش‌بینی انجام می دهد. هنگامی که برنامه کاربر در داکر قرار گرفت، می‌تواند تکرار شود.

ضرورت یادگیری Docker برای متخصصان علم داده و یادگیری ماشین

در زمینه ای که نتایج تجدیدپذیر حائز اهمیت باشند، Docker به سرعت به عنوان یکی از ابزارهای برتر برای ایجاد کارآیی در کارهایی که تیم های دیتاساینس به ویژه متخصصینن ماشین لرنینگ انجام می دهند، حرفی برای گفتن دارد. ایجاد و توسعه مدل های ML اغلب پر هزینه و پیچیده است. دیتاساینتیست ها می دانند که ورژن های مختلف یک نرم افزار می توانند نتایج متفاوتی را تولید کنند. با Docker می توانید ورژن های مناسب هر Dependency و Library مورد نیاز را Import کنید، بنابراین تیم های فنی مجبور به اجرای هیچ گونه Config خاصی نخواهند بود. پس از ساخته شدن Dockerfile، دقیقاً آنچه لازم داریم برایمان محیا است.

Docker NVIDIA

انگیزه اصلی بسیاری از افراد برای یادگیری داکر نمونه‌سازی اولیه مدل‌های Deep Learning روی یک GPU و انتقال محاسبات به AWS هنگامی که نیاز به قدرت محاسباتی بیشتری داریم، محسوب می‌شود. اگرچه، برای کپسوله‌سازی مناسب همه وابستگی‌ها مانند درایورها برای GPU‌های Nvidia نیاز به استفاده از Nvidia-Docker به جای داکر دارد. این امر، نیاز به کار بیشتری علاوه بر استفاده از داکر دارد، اما اگر افراد درک درستی از داکر داشته باشند در این راستا به مشکل بر نمی‌خورند.

سرفصل های کارگاه آموزشی Docker for Data Science