El curso MLOps proporciona una introducción integral al proceso de implementación y gestión de soluciones de aprendizaje automático en entornos de producción. Cubre los pasos clave y las mejores prácticas para desarrollar, entrenar, evaluar y mantener modelos de ML, con énfasis en el uso de herramientas específicas como MLflow, Apache Airflow y Kubeflow.
• El concepto de MLOps y su papel en el campo de la inteligencia artificial y el aprendizaje automático.
• Etapas del ciclo de vida del desarrollo de modelos de aprendizaje automático, desde la gestión de datos y la capacitación del modelo hasta la validación y la implementación.
• El proceso de gestión de datos, incluida su recopilación, limpieza y control de versiones, así como su división en conjuntos de entrenamiento, validación y prueba.
• Técnicas utilizadas para entrenar modelos, incluida la selección de algoritmos adecuados, validación cruzada, optimización de hiperparámetros y garantía de reproducibilidad de los experimentos.
• Uso de la plataforma MLflow para seguimiento de experimentos, gestión de modelos e integración con otros servicios.
• Orquestar flujos de trabajo con Apache Airflow para automatizar los procesos de entrenamiento y evaluación de modelos de aprendizaje automático.
• Las diferentes formas de implementar modelos de aprendizaje automático, incluido el uso de servicios. cloud y soluciones on-premise, así como los conceptos de contenedores y microservicios.
• Utilizar la plataforma Kubeflow para desarrollar, implementar y gestionar modelos de aprendizaje automático en el entorno de Kubernetes.
• Monitorear el desempeño de los modelos de aprendizaje automático, identificar la deriva de datos y enfoques para actualizar los modelos.
• La importancia de las cuestiones éticas y de seguridad en el desarrollo y uso de modelos de aprendizaje automático, como la privacidad de los datos, el sesgo de los algoritmos y la responsabilidad en la toma de decisiones.
- Habilidades básicas de programación en Python.
- Comprensión fundamental de las técnicas de aprendizaje automático.
- Experiencia con bibliotecas ML en Python (scikit-learn, TensorFlow, PyTorch).
- Comprensión básica de los sistemas. cloud y contenedores (Docker, Kubernetes).
- Familiaridad con los conceptos de DevOps y CI/CD.
• Introducción a MLOps: Historia, aplicaciones e importancia en IA y aprendizaje automático.
• Ciclo de vida del desarrollo del modelo ML: desde los datos y la capacitación hasta la validación y la implementación.
• Gestión de datos: recopilación, limpieza y versionado de datos; partición en conjuntos de entrenamiento, validación y prueba.
• Entrenamiento de modelos: Selección de algoritmos, validación cruzada, optimización de hiperparámetros y reproducibilidad de experimentos.
• Introducción a MLflow: seguimiento de experimentos, gestión de modelos e integración con otros servicios.
• Orquestación de flujos de trabajo con Apache Airflow: automatización de los procesos de evaluación y capacitación del modelo ML.
• Implementación de modelos ML: Formas de implementación, servicios. cloud y soluciones locales; contenedores y microservicios.
• Kubeflow: Plataforma para desarrollar, implementar y gestionar modelos de ML en Kubernetes.
• Monitoreo y mantenimiento de modelos: Monitoreo de desempeño, deriva de datos y actualización de modelos.
• Cuestiones éticas y de seguridad: confidencialidad de los datos, sesgo de algoritmos y responsabilidad en el desarrollo y uso de modelos de ML.
No hay recomendaciones en este momento.
Después de este curso, recibirá un certificado de finalización.
