¿Qué veremos?

1. El curso, el módulo y cómo se evalúa
2. El calendario del curso
3. Por qué los contenedores
4. Docker: imágenes, contenedores y volúmenes
5. Dockerfile y Compose
6. El entorno de prácticas del curso

El módulo 5071

Del 1 de octubre al 28 de mayo. Clases de lunes a jueves: los viernes son para tareas y talleres.

Esta unidad no desarrolla un RA propio

El currículo desarrolla 6 RA para el módulo (RA1-RA6). La UD00 es la unidad de presentación y puesta en marcha que prepara el terreno: sin ella, los RA1-RA6 perderían horas configurando entornos.

Lo que sí trabaja se asocia al RA7-i (ética y cuidado del entorno de trabajo) y a los hábitos de trabajo del curso.

Al terminar la unidad serás capaz de…

• Describir el curso de especialización y el papel del módulo 5071 en él.
• Explicar cómo se evalúa el módulo: criterios, calificación y recuperación.
• Identificar el entorno del curso: Aules, la web, Python, Jupyter y Docker.
• Diferenciar contenedor, imagen, volumen y red, y qué aporta Docker frente a una máquina virtual.
• Crear, ejecutar, detener y eliminar contenedores con docker run.
• Escribir un Dockerfile sencillo y orquestar varios servicios con Compose.
• Levantar el contenedor de prácticas con Jupyter y las bibliotecas del curso.

Cómo se evalúa

• Cada RA se califica de 1 a 10, sin decimales
• Nota de cada RA = 40 % tareas, talleres y ejercicios + 60 % prueba escrita
• Una prueba por RA en Moodle, al cerrar cada unidad
• Hace falta 5 o más en CADA RA para aprobar el módulo

Puedes aprobar las dos evaluaciones y suspender el módulo por un solo RA.

Obligatoria y no calificable: los tres entregables

Tres entregables, marcados hecho / no hecho:

1. Taller 1 · verificación del entorno → memoria en PDF
2. Taller 2 · contenedor de prácticas → informe breve
3. Notebook de la unidad → con las respuestas de la actividad

Son la prueba de que tu entorno funciona. Sin ellos no se pueden hacer las prácticas de la UD02.

El calendario, en un vistazo

Las interrupciones del curso

Marzo es el mes más roto del curso: tenlo en cuenta antes de dejar una entrega para el final.

El problema: «en mi máquina funciona»

• Cada equipo tiene un Python distinto, con versiones distintas de cada biblioteca
• Un notebook que va en clase falla en casa, y al revés
• Reproducir un resultado ajeno se vuelve imposible
• En IA esto es más grave: los resultados no son comparables

La IA se hace con entornos reproducibles.

Contenedor frente a máquina virtual

Lo mismo, en un dibujo

Imagen y contenedor

• Imagen: la plantilla, inmutable, hecha de capas
• Contenedor: una instancia en ejecución de esa imagen
• Registro (Docker Hub): donde viven las imágenes

Una imagen, muchos contenedores. Como una clase y sus objetos.

Las tres piezas de Docker

• Cliente (docker): el comando que escribes tú. Solo manda órdenes
• Daemon (dockerd): el servicio que las ejecuta — descarga imágenes, crea contenedores
• Registro (Docker Hub): el almacén público de imágenes

Tú nunca hablas con el contenedor: hablas con el daemon. Sin permiso sobre su socket, nada funciona.

El recorrido completo

Instalar Docker en Linux

# 1. Clave GPG y repositorio oficial de Docker
# 2. Instalar el motor
sudo apt install docker-ce docker-ce-cli containerd.io docker-compose-plugin
# 3. Poder usarlo sin sudo
sudo usermod -aG docker $USER

El paso 3 no surte efecto hasta cerrar y volver a abrir la sesión. Es el error del primer día.

Docker Desktop

Para Windows y macOS es la vía normal; en Linux es opcional.

• Incluye el motor, la interfaz gráfica y Compose
• En Windows se apoya en WSL 2
• En Linux se instala con el .deb oficial

Comprueba siempre la instalación con docker run hello-world antes de seguir.

Los comandos que usarás el 90 % del tiempo

docker run -it --name mi-python python:3.12 bash   # crear y entrar
docker ps -a                                       # qué contenedores tengo
docker images                                      # qué imágenes tengo
docker start / stop / rm                           # ciclo de vida
docker run -d -p 8080:80 nginx                     # servicio en segundo plano

-it interactivo · -d en segundo plano · -p publicar puerto · --rm borrar al salir

Lo que se acumula sin darte cuenta

docker images              # ¿cuánto ocupan?
docker rmi <imagen>        # borrar una concreta
docker image prune         # borrar las huérfanas, sin etiqueta
docker image prune -a      # TODAS las que no use ningún contenedor

prune -a decide por ti: se lleva también las imágenes que construiste y no has publicado. Mira antes con docker images.

Volúmenes: que los datos sobrevivan

Un contenedor es desechable: lo que escribes dentro desaparece al borrarlo.

docker run --rm -v "$PWD":/app -w /app python:3.12 python app.py

• bind mount: una carpeta tuya se ve dentro del contenedor
• volumen nombrado: Docker gestiona el almacenamiento

Tus notebooks viven en tu equipo, no dentro del contenedor.

Copias de seguridad

Con save puedes seguir trabajando sobre la imagen; con export obtienes una foto plana.

Dockerfile: la receta

FROM python:3.12-slim
WORKDIR /home/mia
COPY requirements-ia.txt .
RUN pip install -r requirements-ia.txt
EXPOSE 8888
CMD ["jupyter", "notebook", "--ip=0.0.0.0"]

Cada instrucción es una capa y las capas se cachean: por eso las dependencias van antes que el código, para no reinstalarlas en cada cambio.

Compose: describir en vez de recordar

services:
  mia:
    build: .
    ports:
      - "8888:8888"
    volumes:
      - ../notebooks:/home/mia

docker compose up -d     # levantar
docker compose down      # parar y limpiar

El mismo código, dos entornos

experta es el motor de reglas de la UD02 y la UD05. Última versión: 2019.

PRUEBA="pip install -q experta && python -c 'import experta'"

docker run --rm python:3.9-slim  bash -c "$PRUEBA"   # funciona
docker run --rm python:3.12-slim bash -c "$PRUEBA"   # falla

• collections.Mapping desapareció en Python 3.10
• Se arregla con tres líneas antes del import

Tres lecciones

1. El entorno importa: el mismo código y dos resultados distintos
2. Las dependencias se abandonan: elegir una biblioteca es apostar por quien la mantiene
3. Se puede convivir con ello: un parche documentado y sigues adelante

Lo que no vale es descubrirlo el día de la entrega.

Nuestro entorno de prácticas

• Un Dockerfile con Python 3.12 y las bibliotecas del curso
• Un docker-compose.yml que publica Jupyter en el puerto 8888
• Un volumen para que tus notebooks queden en tu equipo

docker compose up -d      # y Jupyter en http://localhost:8888

Puntos clave

• El curso de especialización dura 600 h / 36 ECTS; el módulo 5071 son 90 h en la Comunitat Valenciana.
• El módulo desarrolla 6 RA más el RA7 de proyecto intermodular, con nota consensuada.
• La normativa exige alcanzar todos los RA; el centro lo concreta en ≥ 5 en cada uno. Cada RA: 40 % tareas + 60 % prueba. Se pierde la evaluación continua con más del 15 % de inasistencia.
• Un contenedor es una instancia ejecutable de una imagen: aislamiento por procesos, ligereza y reproducibilidad.
• Los contenedores son efímeros: los datos se conservan con volúmenes o bind mounts.
• Un Dockerfile define la imagen por capas, y el orden de las instrucciones aprovecha la caché.

Las dos sesiones

6 h en dos semanas (1-8 de octubre), a 3 h por semana.

Si el horario es 2 h + 1 h, el bloque de 2 h es el único que admite trabajo con contenedores.

¿Y ahora?

1. Instala Docker y haz el Taller 1
2. Levanta el entorno con el Taller 2
3. Ejecuta el notebook de la unidad y entrégalo

En la UD01: sistemas de IA, dónde se aplican y qué técnicas usan.