Este capítulo te proporcionará las habilidades y conocimientos necesarios para llevar tus modelos de Machine Learning desde la fase de investigación y desarrollo hasta un entorno de producción. Aprenderás el proceso para pasar de un prototipo de investigación a un sistema fiable, escalable y fácil de mantener.

Adoptar una mentalidad de MLOps

¿Cuál es un aspecto clave de MLOps?

¿Qué es la deuda técnica?

Escribir código de ML mantenible

Control de versiones

Organización del código

Cómo escribir documentación de ML eficaz

¿Por qué documentar los métodos de etiquetado?

Buenas prácticas de MLOps

Del laboratorio a producción

En este capítulo, aprenderás la importancia de la reproducibilidad en Machine Learning y cómo lograr que tus modelos sigan siendo reproducibles y fiables con el tiempo. Explorarás diversas técnicas y buenas prácticas que puedes aplicar para asegurar la reproducibilidad de tus modelos.

Diseñar experimentos reproducibles

Reproducibilidad en ML

Identificar aspectos clave para la reproducibilidad y la fiabilidad

Clasificar elementos de fiabilidad

Clasificar aspectos de la reproducibilidad y prácticas de documentación

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

Garantizar la reproducibilidad

En el Capítulo 3, analizarás los distintos retos asociados al despliegue de modelos de Machine Learning en entornos de producción. Conocerás diferentes enfoques para desplegar modelos de ML en producción y estrategias para monitorizar y mantener modelos de ML en producción.

Empaquetar modelos de ML

Objetivo de la serialización y la contenerización

Pipeline de empaquetado del modelo

Orden de empaquetado del modelo

Escalabilidad

Escalado

Opciones

Cómo abordar la complejidad del modelo

Cómo abordar las limitaciones de cómputo

Complejidad del modelo

Estrategias de escalado

Escalado horizontal

Escalado vertical

Autoescalado

Clasificar técnicas de escalado

Automatización

Beneficios de la entrega continua

Pipeline de CI/CD/CM/CT

Pasos de CI/CD

Preparar un modelo para su despliegue

Automatización del pipeline

Poner modelos de ML en producción

ML en entornos de producción

En el capítulo final, conocerás distintas formas de probar las canalizaciones de Machine Learning y asegurar que rinden como se espera. Descubrirás la importancia de probar las canalizaciones de ML y aprenderás técnicas para probar y validar canalizaciones de ML.

Fiabilidad del modelo

Clasificar estrategias de prueba para la preparación y la obsolescencia de canalizaciones de ML

Cómo abordar el envejecimiento del modelo en pipelines de Machine Learning

Pruebas de datos

Elegir la prueba adecuada

Comprobación de coherencia

Pruebas de modelos

Predicción del valor de vida del cliente

Clasificar la equidad

Pruebas de canalizaciones de machine learning

¡Enhorabuena!

Pruebas de canalizaciones de ML

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

Objetivo de la serialización y la contenerización

Desarrollo de modelos de Machine Learning para producción

Ejercicio interactivo práctico