Temario del curso
Introducción
- Modelos de Aprendizaje Automático vs software tradicional
Descripción general del flujo de trabajo de DevOps
Descripción general del flujo de trabajo de Aprendizaje Automático
ML como Código + Datos
Componentes de un sistema de ML
Caso de estudio: 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
Despliegue de un modelo
Servicio de un modelo entrenado a producción
Pruebas de un sistema de ML
Orquestación de Entrega Continua
Monitoreo del modelo
Versionado de datos
Adaptación, escalado y mantenimiento de una plataforma MLOps
Solución 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 ML
- Ingenieros de DevOps
- Ingenieros de Datos
- Ingenieros de Infraestructura
- Desarrolladores de Software
Reseñas (2)
El conocimiento y experiencia del consultor ya que se abordan los temas teóricos aplicándolos a la realidad de los procesos. El curso contiene un programa de mucho valor en la gestión de las tecnologías de información.
Luis Castro Gamboa - Cooperativa De Ahorro Y Credito Ande No. 1 R.L.
Curso - Site Reliability Engineering (SRE) Foundation®
Que fue muy claro en cada especificación
