Temario del curso

Introducción

  • Modelos de Aprendizaje Automático vs. software tradicional

Descripción general del flujo de trabajo DevOps

Descripción general 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 Pipeline de Datos a Pipeline de ML

Construcción del Modelo de Datos

Entrenamiento del Modelo

Validación del Modelo

Reproducción del Entrenamiento del Modelo

Implementación de un Modelo

Servicio de un Modelo Entrenado en Producción

Prueba de un Sistema de ML

Orquestación de Entrega Continua

Monitoreo del Modelo

Versionado de Datos

Adaptación, Escalabilidad y Mantenimiento de una Plataforma de MLOps

Solución de Problemas

Resumen y Conclusión

Requerimientos

  • Comprender el ciclo de desarrollo de software
  • Experiencia construyendo o trabajando con modelos de Aprendizaje Automático
  • Familiaridad con la programación en Python

Público Objetivo

  • Ingenieros de ML
  • Ingenieros DevOps
  • Ingenieros de datos
  • Ingenieros de infraestructura
  • Desarrolladores de software
 35 horas

Número de participantes


Precio por participante

Testimonios (3)

Próximos cursos

Categorías Relacionadas