Úvod do nasazování modelů strojového učení, představení základních konceptů

Hardware pro inferenci a trénink (procesor, paměť, hardwarové akcelerátory – GPU, TPU)

Virtualizace, cloud, cloudové platformy a služby (Azure)

Virtuální počítače, Linux a balíčkové systémy

Reprezentace modelů v počítačových systémech, odhad náročnosti modelů na hardware pro inferenci a trénování

Životní cyklus modelů strojového učení

Distribuované trénování s TensorFlow, serializace modelů – ukládání a načítání, verzování modelů

Architektury poskytování modelů, APIs a endpoints, batch vs. real-time inference, architektura mikroslužeb a serverless, kontejnerizace (docker, kubernetes)

Škálovatelnost a load balancing, bezpečnost, monitorování a správa modelů

Platformy strojového učení 1 (MLFlow, Azure ML)

Platformy strojového učení 2 (Apache Spark, Databricks)

Rezerva