Top 12 Docker-containerimages voor machine learning en AI
Geef je AI- en ML-projecten een boost met deze top Docker-containerimages—voorgeconfigureerd, geoptimaliseerd en klaar om je ontwikkelworkflow te versnellen.
Als je machine learning engineer bent, is de kans groot dat je Docker in een van je projecten hebt gebruikt—of het nu is voor het deployen van een inference-endpoint van een model of het automatiseren van de machine learning-pijplijn voor training, evaluatie en deployment. Docker vereenvoudigt deze processen en zorgt voor consistentie en schaalbaarheid in productieomgevingen.
Maar hier is de vraag: Ben je je bewust van alle Docker-images die beschikbaar zijn op Docker Hub en GitHub? Deze kant-en-klare images besparen je tijd omdat je ze niet lokaal hoeft te bouwen. In plaats daarvan kun je ze direct pullen en gebruiken in je Dockerfiles of Docker Compose-setups, waardoor ontwikkeling en deployment sneller gaan.
In deze blog bekijken we de 12 beste Docker-containerimages voor machine learning-workflows. Dit omvat tools voor ontwikkelomgevingen, deep learning-frameworks, lifecyclemanagement voor machine learning, workfloworkestratie en large language models.
Waarom Docker-containers gebruiken voor machine learning?
Als je ooit de uitspraak "het werkt op mijn machine" hebt gehoord, begrijp je de pijn van het behouden van een consistente ontwikkelomgeving over meerdere platforms en fases. Hier komen Docker-containers van pas: ze kapselen code, afhankelijkheden en configuraties in een draagbaar image in, wat zorgt voor consistentie in verschillende omgevingen. De modellen en endpoint-API gedragen zich identiek tijdens ontwikkeling, testen en productie-deployments, ongeacht verschillen in de onderliggende infrastructuur.
Door afhankelijkheden te isoleren—zoals specifieke versies van Python, PyTorch of CUDA—zorgt Docker voor reproduceerbare experimenten en vermindert het conflicten tussen libraries.
Je kunt het Docker-image met je team delen, en zij kunnen simpelweg het image pullen om meerdere instanties te maken. Dit vereenvoudigt ook de deployment door modellen met API’s in containers te verpakken, zodat je naadloos kunt integreren met orkestratietools zoals Kubernetes voor schaalbare productie-serving.
Kortom: als machine learning engineer moet je weten hoe je met Docker-images werkt en Docker-containers in de cloud deployt.
Voor een soepele machine learning-ontwikkelworkflow heb je een betrouwbare omgeving nodig met essentiële tools en libraries. Deze Docker-containerimages bieden vooraf geconfigureerde data science-, codeer- en experimenteeromgevingen.
1. Python
Python is de ruggengraat van de meeste machine learning-projecten, omdat vrijwel alle grote frameworks en applicaties—zoals TensorFlow, PyTorch en scikit-learn—eromheen zijn gebouwd. Het is ook populair voor deployment: Python wordt vaak gebruikt in Docker-images om consistente omgevingen voor modelinference te creëren. Bijvoorbeeld:
De eenvoud van Python, het uitgebreide library-ecosysteem en de compatibiliteit met tools zoals Docker maken het een logische keuze voor ontwikkeling en deployment van machine learning.
2. Jupyter Notebook data science stack
De Jupyter Docker Stacks bieden een complete omgeving voor data science en machine learning, inclusief Jupyter Notebook en een reeks populaire data science-libraries. Je kunt het image eenvoudig van Docker Hub pullen en lokaal gebruiken. Daarnaast kun je deze instantie in de cloud deployen en delen met je team.
Om de Jupyter Data Science Notebook te draaien, gebruik je de volgende opdracht:
Het kan ook met een Dockerfile worden gebruikt, zodat je geen Python-packages met pip hoeft te installeren. Je hoeft alleen de applicatie te starten of een Python-script uit te voeren. Hierbij een voorbeeld-Dockerfile:
Dit image bevat populaire libraries zoals NumPy, pandas, matplotlib en scikit-learn, samen met Jupyter Notebook voor interactief werken. Het is ideaal voor data-exploratie, visualisatie en machine learning-experimenten en is een vaste waarde in de data science-gemeenschap.
Voor meer informatie, bekijk de blog Docker for Data Science: An Introduction, waar je leert over Docker-opdrachten, het dockerizen van machine learning-applicaties en best practices uit de industrie.
3. Kubeflow Notebooks
Kubeflow Notebook-images zijn ontworpen om te werken binnen Kubernetes-pods, die zijn gebouwd voor machine learning-workflows op Kubernetes. Je kunt kiezen uit drie soorten notebooks: JupyterLab, RStudio en Visual Studio Code (code-server).
Test het lokaal met de volgende opdracht:
docker run -it--rm-p8888:8888 kubeflownotebookswg/jupyter-pytorchMogelijk gemaakt door
Kubeflow Notebooks-images zijn vooral handig in omgevingen waar Kubernetes de onderliggende infrastructuur is. Ze faciliteren collaboratieve en schaalbare machine learning-projecten en integreren naadloos met Kubernetes voor schaalbare en reproduceerbare workflows.
Deep learning-frameworks hebben geoptimaliseerde omgevingen nodig voor training en inference. Deze containerimages komen met de nodige afhankelijkheden, wat tijd bespaart bij installatie en setup.
4. PyTorch
PyTorch is een van de toonaangevende deep learning-frameworks, bekend om zijn modulaire aanpak voor het bouwen van diepe neurale netwerken. Je kunt eenvoudig een Dockerfile maken en je modelinference draaien zonder het PyTorch-pakket te installeren met het pip-commando.
Het PyTorch Docker-image wordt veel gebruikt voor het trainen en deployen van modellen in onderzoek en productie. Het biedt een geoptimaliseerde omgeving voor het ontwikkelen en deployen van deep learning-modellen, met name voor natural language processing en computervisie.
5. TensorFlow
TensorFlow is een ander toonaangevend deep learning-framework dat breed is geadopteerd in de academische wereld en de industrie. Het werkt goed binnen het Google-ecosysteem en met alle TensorFlow-ondersteunende pakketten voor experimenttracking en model serving.
Het TensorFlow Docker-image bevat het TensorFlow Python-pakket en zijn afhankelijkheden, vaak geoptimaliseerd voor GPU-versnelling. Dit maakt het ideaal voor het bouwen en deployen van machine learning-modellen, vooral in grootschalige productieomgevingen.
6. NVIDIA CUDA deep learning runtime
De NVIDIA CUDA deep learning-runtime is essentieel om deep learning-berekeningen op GPU’s te versnellen. Je kunt dit eenvoudig aan je Dockerfile toevoegen, zodat je CUDA niet handmatig hoeft in te stellen voor GPU-versnelde machine learning-taken.
NVIDIA CUDA Docker-images bieden een runtime-omgeving die is geoptimaliseerd voor deep learning-applicaties met NVIDIA GPU’s, waardoor de prestaties van deep learning-modellen aanzienlijk toenemen.
Je kunt meer leren over hoe GPU’s data science-workflows versnellen in de blogpost Polars GPU acceleration.
Docker-containers voor lifecyclemanagement van machine learning
Het managen van de machine learning-lifecycle—van experiment tot deployment—vereist gespecialiseerde tools. Deze Docker-images stroomlijnen versiebeheer, tracking en deployment.
7. MLflow
MLflow is een open-sourceplatform voor het beheren van de machine learning-lifecycle, inclusief experimentatie, reproduceerbaarheid en deployment. Je kunt de MLflow-server starten met de volgende opdracht, waarmee je een MLflow-server krijgt voor het opslaan en versies bijhouden van experimenten, modellen en artifacts. Het biedt ook een interactief dashboard voor managers om experimenten en modellen te bekijken.
Hugging Face Transformers wordt veel gebruikt voor verschillende toepassingen, van het vinden van large language models tot het bouwen van afbeeldingsgeneratiemodellen. Het is gebouwd bovenop PyTorch, TensorFlow en andere grote deep learning-frameworks. Dit betekent dat je er elk machine learning-model mee kunt laden, fine-tunen, prestaties kunt tracken en je werk kunt opslaan op Hugging Face.
Hugging Face Transformers Docker-images zijn populair om snel en efficiënt large language models te fine-tunen en te deployen. Het moderne AI-ecosysteem leunt sterk op dit pakket, en je kunt het in je Dockerfile opnemen om van alle functies te profiteren zonder je zorgen te maken over afhankelijkheden.
Docker-containers voor workfloworkestratie
Machine learning-projecten omvatten vaak complexe workflows die automatisering en planning vereisen. Deze workfloworkestratietools helpen pijplijnen voor machine learning te stroomlijnen.
9. Airflow
Apache Airflow is een open-sourceplatform voor het programmatisch creëren, plannen en monitoren van workflows.
Airflow wordt veel gebruikt voor het orkestreren van complexe machine learning-pijplijnen. Het biedt een platform voor het schrijven, plannen en monitoren van workflows als gerichte acyclische grafen (DAG’s), waardoor het onmisbaar is in ML-engineering om dataworkflows te automatiseren en beheren.
10. n8n
n8n is een open-source workflow-automatiseringstool die populair wordt door zijn flexibiliteit en gebruiksgemak, vooral bij het automatiseren van machine learning-workflows. Je kunt het lokaal draaien en je eigen RAG-applicatie bouwen met de drag-en-dropinterface.
n8n biedt een gebruiksvriendelijke interface voor het creëren van workflows die verschillende services en API’s integreren. Het is vooral nuttig voor het automatiseren van repetitieve taken en het verbinden van verschillende systemen en services in machine learning-projecten.
Naarmate LLM’s gangbaarder worden, helpen gespecialiseerde Docker-containers deze modellen efficiënt te deployen en schalen.
11. Ollama
Ollama is ontworpen om large language models lokaal te deployen en draaien. Met de Ollama Docker kun je LLM’s downloaden en serven, zodat je ze in je applicaties kunt integreren. Het is de makkelijkste manier om zowel gequantiseerde als volledige large language models in productie te draaien.
Qdrant is een vectorzoekmachine die wordt gebruikt voor het deployen van vector similarity search-applicaties. Het wordt geleverd met een dashboard en een server waarmee je snel vectorgegevens kunt versturen en ophalen.
Qdrant biedt tools voor efficiënte similarity search en clustering van hoog-dimensionale data. Het is vooral nuttig voor toepassingen zoals aanbevelingssystemen, beeld- en tekstretrieval en semantisch zoeken, die steeds belangrijker worden in ML-projecten met large language models.
Conclusie
In deze blog hebben we 12 essentiële Docker-containerimages verkend die zijn afgestemd op machine learning-projecten. Deze images bieden een uitgebreide toolkit, van ontwikkelomgevingen tot tools voor large language models. Door deze containers te benutten, kunnen data scientists en engineers consistente, reproduceerbare en schaalbare projectomgevingen bouwen, wat workflows stroomlijnt en de productiviteit verhoogt.
De volgende stap in het leerproces is om je eigen project te bouwen met deze Docker-containerimages!
Wil je leren hoe je je eigen AI-applicaties bouwt met de nieuwste AI-ontwikkeltools, bekijk dan de track Developing AI Applications.
FAQs
Is Docker goed voor machine learning?⌄
Ja, Docker is zeer nuttig voor machine learning-projecten. Het biedt een flexibele manier om omgevingen en afhankelijkheden te beheren, wat zorgt voor consistentie en reproduceerbaarheid. Door je machine learning-modellen te containerizen kun je deployment stroomlijnen en problemen vermijden die worden veroorzaakt door verschillen in systeemconfiguraties.
Wat is de Docker Hub?⌄
Docker Hub is een cloudgebaseerde repository waar je containerimages kunt vinden en delen. Het biedt een uitgebreide bibliotheek met kant-en-klare images, die ontwikkelworkflows aanzienlijk kunnen versnellen en de set-uptijd kunnen verkorten. Daarnaast kun je je eigen Docker-images bouwen en naar je Docker Hub-account pushen, zodat je team ze kan gebruiken voor samenwerking.
Waar kan ik Docker-containers vinden?⌄
Docker-containers en -images worden op specifieke locaties opgeslagen, afhankelijk van je besturingssysteem:
Docker wordt veel gebruikt voor het ontwikkelen, testen en deployen van webapplicaties. Het vereenvoudigt het omgaan met complexe integraties en afhankelijkheden, waardoor het een favoriete tool is voor moderne softwareontwikkeling.
Is Docker sneller dan een VM?⌄
Ja, Docker is over het algemeen sneller dan traditionele virtuele machines. Docker gebruikt virtualisatie op OS-niveau, waardoor containers de kernel van het host-besturingssysteem delen.
Wat is Alpine in Docker?⌄
Alpine is een lichtgewicht Linux-distributie die vaak wordt gebruikt in Docker-containers. Het staat bekend om zijn kleine formaat, veiligheid en efficiëntie, waardoor het ideaal is voor het maken van minimale Docker-images die het resourcegebruik verlagen en de prestaties verbeteren.
Als gecertificeerd data scientist haal ik met passie het maximale uit de nieuwste technologie om innovatieve machinelearning-toepassingen te bouwen. Met een sterke achtergrond in spraakherkenning, data-analyse en -rapportage, MLOps, conversationele AI en NLP heb ik mijn vaardigheden aangescherpt in het ontwikkelen van intelligente systemen die echt impact maken. Naast mijn technische expertise ben ik ook een sterke communicator met een talent om complexe concepten terug te brengen tot heldere, beknopte taal. Daardoor ben ik uitgegroeid tot een veelgelezen blogger over data science, waar ik mijn inzichten en ervaringen deel met een groeiende community van data-professionals. Op dit moment richt ik me op contentcreatie en redactie, waarbij ik met large language models werk aan krachtige en aansprekende content die zowel bedrijven als individuen helpt het beste uit hun data te halen.
Als je machine learning engineer bent, is de kans groot dat je Docker in een van je projecten hebt gebruikt—of het nu is voor het deployen van een inference-endpoint van een model of het automatiseren van de machine learning-pijplijn voor training, evaluatie en deployment. Docker vereenvoudigt deze processen en zorgt voor consistentie en schaalbaarheid in productieomgevingen.
Maar hier is de vraag: Ben je je bewust van alle Docker-images die beschikbaar zijn op Docker Hub en GitHub? Deze kant-en-klare images besparen je tijd omdat je ze niet lokaal hoeft te bouwen. In plaats daarvan kun je ze direct pullen en gebruiken in je Dockerfiles of Docker Compose-setups, waardoor ontwikkeling en deployment sneller gaan.
In deze blog bekijken we de 12 beste Docker-containerimages voor machine learning-workflows. Dit omvat tools voor ontwikkelomgevingen, deep learning-frameworks, lifecyclemanagement voor machine learning, workfloworkestratie en large language models.
Als je nieuw bent met Docker, volg dan deze Introductiecursus Docker om de basis te begrijpen.
Waarom Docker-containers gebruiken voor machine learning?
Als je ooit de uitspraak "het werkt op mijn machine" hebt gehoord, begrijp je de pijn van het behouden van een consistente ontwikkelomgeving over meerdere platforms en fases. Hier komen Docker-containers van pas: ze kapselen code, afhankelijkheden en configuraties in een draagbaar image in, wat zorgt voor consistentie in verschillende omgevingen. De modellen en endpoint-API gedragen zich identiek tijdens ontwikkeling, testen en productie-deployments, ongeacht verschillen in de onderliggende infrastructuur.
Door afhankelijkheden te isoleren—zoals specifieke versies van Python, PyTorch of CUDA—zorgt Docker voor reproduceerbare experimenten en vermindert het conflicten tussen libraries.
Bron: Docker
Je kunt het Docker-image met je team delen, en zij kunnen simpelweg het image pullen om meerdere instanties te maken. Dit vereenvoudigt ook de deployment door modellen met API’s in containers te verpakken, zodat je naadloos kunt integreren met orkestratietools zoals Kubernetes voor schaalbare productie-serving.
Kortom: als machine learning engineer moet je weten hoe je met Docker-images werkt en Docker-containers in de cloud deployt.
Begrijp de kernconcepten van containerization door je in te schrijven voor de korte cursus Containerization and Virtualization Concepts.
Docker-containers voor ontwikkelomgevingen
Voor een soepele machine learning-ontwikkelworkflow heb je een betrouwbare omgeving nodig met essentiële tools en libraries. Deze Docker-containerimages bieden vooraf geconfigureerde data science-, codeer- en experimenteeromgevingen.
1. Python
Python is de ruggengraat van de meeste machine learning-projecten, omdat vrijwel alle grote frameworks en applicaties—zoals TensorFlow, PyTorch en scikit-learn—eromheen zijn gebouwd. Het is ook populair voor deployment: Python wordt vaak gebruikt in Docker-images om consistente omgevingen voor modelinference te creëren. Bijvoorbeeld:
De eenvoud van Python, het uitgebreide library-ecosysteem en de compatibiliteit met tools zoals Docker maken het een logische keuze voor ontwikkeling en deployment van machine learning.
2. Jupyter Notebook data science stack
De Jupyter Docker Stacks bieden een complete omgeving voor data science en machine learning, inclusief Jupyter Notebook en een reeks populaire data science-libraries. Je kunt het image eenvoudig van Docker Hub pullen en lokaal gebruiken. Daarnaast kun je deze instantie in de cloud deployen en delen met je team.
Om de Jupyter Data Science Notebook te draaien, gebruik je de volgende opdracht:
Het kan ook met een Dockerfile worden gebruikt, zodat je geen Python-packages met pip hoeft te installeren. Je hoeft alleen de applicatie te starten of een Python-script uit te voeren. Hierbij een voorbeeld-Dockerfile:
Dit image bevat populaire libraries zoals NumPy, pandas, matplotlib en scikit-learn, samen met Jupyter Notebook voor interactief werken. Het is ideaal voor data-exploratie, visualisatie en machine learning-experimenten en is een vaste waarde in de data science-gemeenschap.
Voor meer informatie, bekijk de blog Docker for Data Science: An Introduction, waar je leert over Docker-opdrachten, het dockerizen van machine learning-applicaties en best practices uit de industrie.
3. Kubeflow Notebooks
Kubeflow Notebook-images zijn ontworpen om te werken binnen Kubernetes-pods, die zijn gebouwd voor machine learning-workflows op Kubernetes. Je kunt kiezen uit drie soorten notebooks: JupyterLab, RStudio en Visual Studio Code (code-server).
Test het lokaal met de volgende opdracht:
Kubeflow Notebooks-images zijn vooral handig in omgevingen waar Kubernetes de onderliggende infrastructuur is. Ze faciliteren collaboratieve en schaalbare machine learning-projecten en integreren naadloos met Kubernetes voor schaalbare en reproduceerbare workflows.
Leer over Docker en Kubernetes door de skill track Containerization and Virtualization with Docker and Kubernetes te volgen. Deze interactieve track laat je applicaties bouwen en deployen in moderne omgevingen.
Docker-containers voor deep learning-frameworks
Deep learning-frameworks hebben geoptimaliseerde omgevingen nodig voor training en inference. Deze containerimages komen met de nodige afhankelijkheden, wat tijd bespaart bij installatie en setup.
4. PyTorch
PyTorch is een van de toonaangevende deep learning-frameworks, bekend om zijn modulaire aanpak voor het bouwen van diepe neurale netwerken. Je kunt eenvoudig een Dockerfile maken en je modelinference draaien zonder het PyTorch-pakket te installeren met het
pip-commando.Het PyTorch Docker-image wordt veel gebruikt voor het trainen en deployen van modellen in onderzoek en productie. Het biedt een geoptimaliseerde omgeving voor het ontwikkelen en deployen van deep learning-modellen, met name voor natural language processing en computervisie.
5. TensorFlow
TensorFlow is een ander toonaangevend deep learning-framework dat breed is geadopteerd in de academische wereld en de industrie. Het werkt goed binnen het Google-ecosysteem en met alle TensorFlow-ondersteunende pakketten voor experimenttracking en model serving.
Het TensorFlow Docker-image bevat het TensorFlow Python-pakket en zijn afhankelijkheden, vaak geoptimaliseerd voor GPU-versnelling. Dit maakt het ideaal voor het bouwen en deployen van machine learning-modellen, vooral in grootschalige productieomgevingen.
6. NVIDIA CUDA deep learning runtime
De NVIDIA CUDA deep learning-runtime is essentieel om deep learning-berekeningen op GPU’s te versnellen. Je kunt dit eenvoudig aan je Dockerfile toevoegen, zodat je CUDA niet handmatig hoeft in te stellen voor GPU-versnelde machine learning-taken.
NVIDIA CUDA Docker-images bieden een runtime-omgeving die is geoptimaliseerd voor deep learning-applicaties met NVIDIA GPU’s, waardoor de prestaties van deep learning-modellen aanzienlijk toenemen.
Je kunt meer leren over hoe GPU’s data science-workflows versnellen in de blogpost Polars GPU acceleration.
Docker-containers voor lifecyclemanagement van machine learning
Het managen van de machine learning-lifecycle—van experiment tot deployment—vereist gespecialiseerde tools. Deze Docker-images stroomlijnen versiebeheer, tracking en deployment.
7. MLflow
MLflow is een open-sourceplatform voor het beheren van de machine learning-lifecycle, inclusief experimentatie, reproduceerbaarheid en deployment. Je kunt de MLflow-server starten met de volgende opdracht, waarmee je een MLflow-server krijgt voor het opslaan en versies bijhouden van experimenten, modellen en artifacts. Het biedt ook een interactief dashboard voor managers om experimenten en modellen te bekijken.
8. Hugging Face Transformers
Hugging Face Transformers wordt veel gebruikt voor verschillende toepassingen, van het vinden van large language models tot het bouwen van afbeeldingsgeneratiemodellen. Het is gebouwd bovenop PyTorch, TensorFlow en andere grote deep learning-frameworks. Dit betekent dat je er elk machine learning-model mee kunt laden, fine-tunen, prestaties kunt tracken en je werk kunt opslaan op Hugging Face.
Hugging Face Transformers Docker-images zijn populair om snel en efficiënt large language models te fine-tunen en te deployen. Het moderne AI-ecosysteem leunt sterk op dit pakket, en je kunt het in je Dockerfile opnemen om van alle functies te profiteren zonder je zorgen te maken over afhankelijkheden.
Docker-containers voor workfloworkestratie
Machine learning-projecten omvatten vaak complexe workflows die automatisering en planning vereisen. Deze workfloworkestratietools helpen pijplijnen voor machine learning te stroomlijnen.
9. Airflow
Apache Airflow is een open-sourceplatform voor het programmatisch creëren, plannen en monitoren van workflows.
Airflow wordt veel gebruikt voor het orkestreren van complexe machine learning-pijplijnen. Het biedt een platform voor het schrijven, plannen en monitoren van workflows als gerichte acyclische grafen (DAG’s), waardoor het onmisbaar is in ML-engineering om dataworkflows te automatiseren en beheren.
10. n8n
n8n is een open-source workflow-automatiseringstool die populair wordt door zijn flexibiliteit en gebruiksgemak, vooral bij het automatiseren van machine learning-workflows. Je kunt het lokaal draaien en je eigen RAG-applicatie bouwen met de drag-en-dropinterface.
n8n biedt een gebruiksvriendelijke interface voor het creëren van workflows die verschillende services en API’s integreren. Het is vooral nuttig voor het automatiseren van repetitieve taken en het verbinden van verschillende systemen en services in machine learning-projecten.
Wil je meer leren over het creëren van machine learning-workflows in Python, overweeg dan de cursus Designing Machine Learning Workflows in Python.
Docker-containers voor large language models
Naarmate LLM’s gangbaarder worden, helpen gespecialiseerde Docker-containers deze modellen efficiënt te deployen en schalen.
11. Ollama
Ollama is ontworpen om large language models lokaal te deployen en draaien. Met de Ollama Docker kun je LLM’s downloaden en serven, zodat je ze in je applicaties kunt integreren. Het is de makkelijkste manier om zowel gequantiseerde als volledige large language models in productie te draaien.
12. Qdrant
Qdrant is een vectorzoekmachine die wordt gebruikt voor het deployen van vector similarity search-applicaties. Het wordt geleverd met een dashboard en een server waarmee je snel vectorgegevens kunt versturen en ophalen.
Qdrant biedt tools voor efficiënte similarity search en clustering van hoog-dimensionale data. Het is vooral nuttig voor toepassingen zoals aanbevelingssystemen, beeld- en tekstretrieval en semantisch zoeken, die steeds belangrijker worden in ML-projecten met large language models.
Conclusie
In deze blog hebben we 12 essentiële Docker-containerimages verkend die zijn afgestemd op machine learning-projecten. Deze images bieden een uitgebreide toolkit, van ontwikkelomgevingen tot tools voor large language models. Door deze containers te benutten, kunnen data scientists en engineers consistente, reproduceerbare en schaalbare projectomgevingen bouwen, wat workflows stroomlijnt en de productiviteit verhoogt.
De volgende stap in het leerproces is om je eigen project te bouwen met deze Docker-containerimages!
Wil je leren hoe je je eigen AI-applicaties bouwt met de nieuwste AI-ontwikkeltools, bekijk dan de track Developing AI Applications.