فلش‌کارت‌های آموزشی استفاده از Dockerfile: سفارشی‌سازی محیط‌های اجرای یادگیری ماشین

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره استفاده از Dockerfile: سفارشی‌سازی محیط‌های اجرای یادگیری ماشین

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: کانتینرسازی (Docker)

📋 سرفصل‌های دوره

• 1. مقدمه: چرا Dockerfile؟
• 2. اولین گام: نصب Docker
• 3. شناخت ساختار Dockerfile
• 4. دستور FROM: پایه‌های ایمیج شما
• 5. دستور RUN: اجرای دستورات در حین ساخت
• 6. دستور COPY: انتقال فایل‌ها به داخل ایمیج
• 7. دستور ADD: گزینه‌های پیشرفته‌تر برای کپی
• 8. دستور WORKDIR: تنظیم دایرکتوری کاری
• 9. دستور EXPOSE: اعلام درگاه‌های شبکه
• 10. دستور ENV: تنظیم متغیرهای محیطی
• 11. دستور ARG: متغیرهای زمان ساخت
• 12. دستور CMD: دستور پیش‌فرض برای اجرای کانتینر
• 13. دستور ENTRYPOINT: تعیین نقطه ورود کانتینر
• 14. تفاوت CMD و ENTRYPOINT
• 15. دستور VOLUME: مدیریت داده‌های دائمی
• 16. دستور USER: اجرای کانتینر با کاربر خاص
• 17. دستور HEALTHCHECK: بررسی سلامت کانتینر
• 18. دستور SHELL: تغییر پوسته پیش‌فرض
• 19. دستور STOPSIGNAL: سیگنال توقف کانتینر
• 20. دستور LABEL: افزودن فراداده به ایمیج
• 21. دستور MAINTAINER (منسوخ شده): اطلاعات نگهداری
• 22. ساخت اولین Dockerfile برای پایتون
• 23. نصب کتابخانه‌های پایتون با pip
• 24. استفاده از requirements.txt
• 25. بهینه‌سازی لایه‌ها در Dockerfile
• 26. کش کردن لایه‌ها
• 27. استفاده از Multi-stage Builds
• 28. مزایای Multi-stage Builds
• 29. مثال: ساخت برنامه وب ساده با Flask
• 30. Dockerfile برای TensorFlow
• 31. نصب CUDA و cuDNN در Docker
• 32. آموزش استفاده از GPU با TensorFlow و Docker
• 33. Dockerfile برای PyTorch
• 34. نصب کتابخانه‌های علمی پایتون (NumPy, SciPy)
• 35. Docker برای Jupyter Notebook
• 36. تنظیمات امنیتی در Dockerfile
• 37. استفاده از .dockerignore
• 38. مدیریت وابستگی‌ها
• 39. انتقال مدل‌های یادگیری ماشین
• 40. تنظیمات شبکه برای دسترسی به سرویس‌ها
• 41. ساخت ایمیج‌های سبک
• 42. استفاده از Alpine Linux
• 43. بهینه‌سازی دستور RUN
• 44. دستورات زنجیره‌ای در RUN
• 45. اجرای چندین دستور در یک RUN
• 46. نکات امنیتی در هنگام اجرای دستورات
• 47. اجتناب از اجرای دستورات با دسترسی root
• 48. استفاده از بهترین روش‌ها
• 49. خطاهای رایج در Dockerfile
• 50. اشکال‌زدایی Dockerfile
• 51. بررسی تاریخچه ساخت ایمیج
• 52. استفاده از docker history
• 53. بازرسی محتویات ایمیج
• 54. دستور docker inspect
• 55. نمونه‌سازی عملی: داکرایز کردن یک مدل scikit-learn
• 56. ذخیره‌سازی و بازیابی مدل
• 57. ساخت API برای مدل با Flask یا FastAPI
• 58. Dockerfile برای FastAPI
• 59. Dockerfile برای Gunicorn
• 60. تنظیمات Gunicorn در Docker
• 61. اجرای برنامه با Gunicorn و Docker
• 62. نمونه‌سازی عملی: داکرایز کردن یک مدل TensorFlow Serving
• 63. تنظیمات TensorFlow Serving
• 64. Dockerfile برای TensorFlow Serving
• 65. اجرای TensorFlow Serving با Docker
• 66. استفاده از Docker Compose
• 67. مقدمه Docker Compose
• 68. ساختار فایل docker-compose.yml
• 69. تعریف سرویس‌ها در Docker Compose
• 70. اتصال سرویس‌ها به یکدیگر
• 71. مدیریت دیتابیس‌ها با Docker Compose
• 72. مثال: Docker Compose برای برنامه یادگیری ماشین با دیتابیس
• 73. ساخت و اجرای سرویس‌ها با Docker Compose
• 74. استفاده از شبکه‌های سفارشی در Docker Compose
• 75. مدیریت Volume ها در Docker Compose
• 76. تنظیمات Environment Variables در Docker Compose
• 77. استفاده از .env فایل
• 78. امنیت در Docker Compose
• 79. استقرار برنامه‌های یادگیری ماشین در محیط‌های ابری
• 80. مقدمه‌ای بر استقرار در AWS, GCP, Azure
• 81. استفاده از ECR, GCR, ACR
• 82. Dockerfile برای استقرار در AWS SageMaker
• 83. Dockerfile برای استقرار در Google AI Platform
• 84. Dockerfile برای استقرار در Azure Machine Learning
• 85. نکات پیشرفته در Dockerfile
• 86. استفاده از BuildKit
• 87. قابلیت‌های جدید BuildKit
• 88. بهینه‌سازی ساخت با BuildKit
• 89. دستوراتی برای تست در Dockerfile
• 90. استفاده از HEALTHCHECK به طور موثر
• 91. مستندسازی Dockerfile
• 92. نوشتن README برای ایمیج‌ها
• 93. کنترل نسخه Dockerfile
• 94. مدیریت ایمیج‌های قدیمی
• 95. حذف ایمیج‌های استفاده نشده
• 96. پاکسازی Docker
• 97. استفاده از Docker Swarm (اشاره کوتاه)
• 98. مفهوم Orchestration
• 99. ابزارهای Orchestration
• 100. جمع‌بندی و گام‌های بعدی