Temario del curso
Introducción
- Modelos de aprendizaje automático vs. software tradicional
Resumen del flujo de trabajo de DevOps
Resumen del flujo de trabajo de aprendizaje automático
ML como código más datos
Componentes de un sistema de ML
Estudio de caso: Una aplicación de pronóstico de ventas
Acceso a datos
Validación de datos
Transformación de datos
De la canalización de datos a la canalización 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 aprendizaje automático
- Familiaridad con la programación en Python
Público objetivo
- Ingenieros de aprendizaje automático (ML)
- Ingenieros de DevOps
- Ingenieros de datos
- Ingenieros de infraestructura
- Desarrolladores de software
Reseñas (1)
Que fue muy claro en cada especificación
