Temario del curso
Introducción
- Modelos de Machine Learning vs. software tradicional
Visión general del flujo de trabajo DevOps
Visión general del flujo de trabajo de Machine Learning
ML como código más datos
Componentes de un sistema de ML
Caso de estudio: Aplicación de previsión de ventas
Acceso a datos
Validación de datos
Transformación de datos
De un Pipeline de datos a un Pipeline de ML
Construcción del modelo de datos
Entrenamiento del modelo
Validación del modelo
Reproducción del entrenamiento del modelo
Despliegue de un modelo
Servicio de un modelo entrenado en producción
Pruebas de un sistema de ML
Orquestación de entrega continua
Monitoreo del modelo
Versionamiento de datos
Adaptación, escalado y mantenimiento de una plataforma MLOps
Resolución de problemas
Resumen y conclusión
Requerimientos
- Comprensión del ciclo de desarrollo de software
- Experiencia construyendo o trabajando con modelos de Machine Learning
- Familiaridad con la programación en Python
Público objetivo
- Ingenieros de ML
- Ingenieros de DevOps
- Ingenieros de datos
- Ingenieros de infraestructura
- Desarrolladores de software
Reseñas (1)
Que fue muy claro en cada especificación
