Temario del curso
Introducción a Apache Airflow para machine learning
- Visión general de Apache Airflow y su relevancia para la ciencia de datos
- Características clave para automatizar flujos de trabajo de machine learning
- Configuración de Airflow para proyectos de ciencia de datos
Construcción de pipelines de machine learning con Airflow
- Diseño de DAGs para flujos de trabajo de ML de extremo a extremo
- Uso de operadores para la ingesta de datos, preprocesamiento y ingeniería de características
- Programación y gestión de dependencias entre tareas del pipeline
Entrenamiento y validación de modelos
- Automatización de tareas de entrenamiento de modelos con Airflow
- Integración de Airflow con frameworks de ML (por ejemplo, TensorFlow, PyTorch)
- Validación de modelos y almacenamiento de métricas de evaluación
Despliegue y monitoreo de modelos
- Despliegue de modelos de machine learning mediante pipelines automatizados
- Monitoreo de modelos desplegados con tareas de Airflow
- Gestión del reentrenamiento y actualizaciones de modelos
Personalización e integración avanzada
- Desarrollo de operadores personalizados para tareas específicas de ML
- Integración de Airflow con plataformas en la nube y servicios de ML
- Ampliación de flujos de trabajo de Airflow mediante complementos y sensores
Optimización y escalado de pipelines de ML
- Mejora del rendimiento de flujos de trabajo para datos a gran escala
- Escalado de implementaciones de Airflow con Celery y Kubernetes
- Mejores prácticas para flujos de trabajo de ML listos para producción
Casos de estudio y aplicaciones prácticas
- Ejemplos reales de automatización de ML utilizando Airflow
- Ejercicio práctico: Construcción de un pipeline de ML de extremo a extremo
- Debate sobre desafíos y soluciones en la gestión de flujos de trabajo de ML
Resumen y siguientes pasos
Requerimientos
- Conocimientos básicos de flujos de trabajo y conceptos de machine learning
- Comprensión fundamental de Apache Airflow, incluyendo DAGs y operadores
- Dominio de la programación en Python
Público objetivo
- Científicos de datos
- Ingenieros de machine learning
- Desarrolladores de inteligencia artificial
Reseñas (2)
Fomentar la repetición en la construcción de indicaciones (prompts) entre quienes nunca han utilizado la IA, y animar a los usuarios experimentados a considerar métodos alternativos para su uso.
Matthew Gay - Tarsus Pharmaceuticals
Curso - Artificial Intelligence (AI) Overview
Traducción Automática
Trabajando desde principios fundamentales de manera enfocada y pasando a aplicar estudios de caso en el mismo día
Maggie Webb - Department of Jobs, Regions, and Precincts
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
Traducción Automática
