This chapter will provide you with the skills and knowledge needed to move your machine learning models from the research and development phase into a production environment. You will learn about the process of moving from a research prototype to a reliable, scalable, and maintainable system.

Adopting an MLOps mindset

What is a key aspect of MLOps?

What is technical debt?

Writing maintainable ML code

Version control

Code organization

Writing effective ML documentation

Why document labeling methods?

MLOps best practices

Moving from Research to Production

In this chapter, you’ll learn about the importance of reproducibility in machine learning, and how to ensure that your models remain reproducible and reliable over time. You’ll explore various techniques and best practices that you can use to ensure the reproducibility of your models.

Diseñar experimentos reproducibles

Reproducibilidad en ML

Identificar aspectos clave para la reproducibilidad y la fiabilidad

Opciones

Herramientas y buenas prácticas para la fiabilidad

Beneficios de la fiabilidad

Clasificar elementos de fiabilidad

Options

Aspects of Reproducibility

Documentation Practices

Clasificar aspectos de la reproducibilidad y prácticas de documentación

Ingeniería de características

Técnicas de preparación de datos

Objetivos de la ingeniería de características

Clasificar objetivos y técnicas de ingeniería de características

Identificar técnicas de manipulación y transformación de datos

Selección de características

Versionado de datos y modelos

Model store

Versionado de datos de entrenamiento

Control de versiones de modelo/datos

Diseño de experimentos

Garantizar la reproducibilidad

 Ensuring Reproducibility

In Chapter 3, you’ll examine the various challenges associated with deploying machine learning models into production environments. You’ll learn about the various approaches to deploying ML models in production and strategies for monitoring and maintaining ML models in production.

Packaging ML models

Goal of serialization and containerization

Model packaging order

Scalability

Scaling

Model complexity

Categorizing scaling techniques

Automation

Benefits of continuous delivery

CI/CD steps

Putting ML models into production

ML in Production Environments

In the final chapter, you’ll learn about the various ways to test machine learning pipelines and ensure they perform as expected. You’ll discover the importance of testing ML pipelines and learn techniques for testing and validating ML pipelines.

Model reliability

Categorizing Testing Strategies for ML Pipeline Readiness and Staleness

Addressing Model Staleness in Machine Learning Pipelines

Testing data

Picking the right test

Consistency check

Testing models

Predicting customer lifetime value

Classifying fairness

Testing machine learning pipelines

Congratulations!

Testing ML Pipelines

Gran parte del contenido actual sobre Machine Learning se centra en el entrenamiento de modelos y el ajuste de parámetros, pero el 90% de los modelos experimentales nunca llega a producción, principalmente porque no se construyeron para perdurar. En este curso, verás cómo cambiar tu mentalidad de ingeniería de machine learning a una mentalidad de MLOps (Machine Learning Operations) te permitirá entrenar, documentar, mantener y escalar tus modelos al máximo.

Gran parte del contenido actual relacionado con machine learning se centra en el entrenamiento de modelos y el ajuste de parámetros, pero el 90 % de los modelos experimentales nunca llegan a la fase de producción, principalmente porque no se han diseñado para durar. En este curso, verás cómo cambiar tu mentalidad de ingeniería de machine learning a una mentalidad de MLOps (operaciones de machine learning) te permitirá entrenar, documentar, mantener y escalar tus modelos hasta alcanzar su máximo potencial.
Experimenta y documenta con facilidad
Experimentar con modelos de ML suele ser divertido, pero puede llevar mucho tiempo. Aquí aprenderás a diseñar experimentos reproducibles para agilizar este proceso mientras redactas documentación para ti y tus compañeros de equipo, lo que facilitará enormemente el trabajo futuro en el proceso.
Crear modelos MLOps para producción
Aprenderás las mejores prácticas para empaquetar y serializar tanto modelos como entornos para producción, con el fin de garantizar que los modelos duren el mayor tiempo posible.
Amplía y automatiza tus procesos de aprendizaje automático
Al tener en cuenta la complejidad de los modelos y los datos, así como la automatización continua, puedes garantizar que tus modelos se adapten al uso en producción y se puedan supervisar e implementar en un abrir y cerrar de ojos.

Una vez completado este curso, podrás diseñar y desarrollar modelos de machine learning listos para su producción y mejorarlos continuamente con el tiempo.

MLOps Concepts

Supervised Learning with scikit-learn

Adopta una mentalidad MLOps para entrenar, documentar, mantener y escalar tus modelos de aprendizaje.

Desarrollo de modelos de Machine Learning para producción

Cambia a una mentalidad MLOps para entrenar, documentar, mantener y escalar modelos de machine learning hasta alcanzar su máximo potencial.

Fundamentos de MLOps

Identificar técnicas de manipulación y transformación de datos

Desarrollo de modelos de Machine Learning para producción

ejercicio interactivo práctico