Ray - Un sistema para aplicaciones de Python distribuidas y de alto rendimiento

Resumen

Explore Ray, an open-source framework for scaling Python applications from laptops to clusters, focusing on ML/AI performance challenges and its key features for distributed computing.

Programa

• Introducción a Ray
Visión general de Ray
Beneficios clave de usar Ray para computación distribuida
Comparación con otros marcos de computación distribuida
• Configuración de Ray
Instalación y configuración
Ejecutar Ray localmente en un portátil
Configuración de Ray para clústeres
• Conceptos Fundamentales de Ray
Arquitectura de Ray
Tareas y Actores en Ray
Gestión de objetos de Ray y almacenes de objetos
• Computación Distribuida con Ray
Programación y ejecución de tareas
Combinación de tareas y actores
Manejo de restricciones de recursos y dependencias
• Escalado de Aplicaciones de Aprendizaje Automático
Uso de Ray con marcos de aprendizaje automático populares (TensorFlow, PyTorch)
Ajuste de hiperparámetros con Ray Tune
Procesamiento de datos distribuido con Ray Datasets
• Funciones Avanzadas de Ray
Tolerancia a fallos y recuperación de fallos en Ray
Monitoreo y depuración de aplicaciones Ray
Ray Serve para el servicio de modelos escalable
• Aplicaciones y Casos de Uso en el Mundo Real
Estudios de caso de Ray en la industria
Mejores prácticas para el despliegue de Ray en producción
• Ecosistema y Herramientas de Ray
Panorama de las bibliotecas de Ray (RLLib, Ray Tune, Ray Serve, etc.)
Elección de la herramienta Ray adecuada para tu aplicación
• Proyectos Prácticos
Construcción de una aplicación distribuida con Ray
Escalado de un modelo de aprendizaje automático usando Ray
Optimización y ajuste de rendimiento con Ray
• Conclusión y Futuro de Ray
Tendencias emergentes en computación distribuida
Desarrollos futuros en Ray
Recursos para aprendizaje adicional
• Preguntas Finales y Clausura

---

Materias

Conference Talks