趋近智
趋近智
本课程提供机器学习 (machine learning)应用软硬件体系的设计、构建与管理技术指南。您将学习评估计算需求，比较本地部署与云端方案，并实施性能与成本优化策略。内容涵盖硬件选择（包括 CPU 和 GPU）、机器学习的 Docker 和 Kubernetes 容器化技术，以及高效模型训练与部署方法。本课程是一门为负责 AI 系统运维的工程师设计的实用课程。
先修课程 机器学习系统知识
级别:
硬件选择
评估并选择适合的计算硬件，包括 CPU、GPU 和专用加速器，以适应不同的 AI 工作负载。
AI 平台设计
依据性能和预算需求，设计适用于本地和云端环境的 AI 平台方案。
容器化与编排
使用 Docker 和 Kubernetes 创建可复现的机器学习环境，并编排分布式训练和推理工作负载。
性能优化
应用诸如分布式训练、混合精度和模型量化等技术，以提升 AI 系统的效率。
成本管理
分析并管理 AI 平台的相关成本，实施策略以优化在云端和本地部署环境中的开支。