First, you’ll learn about the core features of MLOps. You’ll explore the machine learning lifecycle, its phases, and the roles associated with MLOps processes.

What is MLOps?

Explaining MLOps

MLOps principles

Different phases in MLOps

The ML lifecycle

Tasks per phase

Roles in MLOps

Your MLOps team

Core roles in MLOps processes

Introduction to MLOps

Next, you’ll learn about the design and development phase in the machine learning lifecycle. You’ll explore added value estimation, data quality, feature stores, and experiment tracking.

MLOps design

Identifying business requirements

Key metrics

Data quality and ingestion

Determining data quality

Data quality dimensions

Feature engineering

Improving model performance

Helping a friend

Experiment tracking

What can we track?

Skipping experiment tracking

Design and Development

In this chapter, you’ll dive into the concepts relevant to deploying machine learning into production, such as runtime environments, containerization, CI/CD pipelines, and deployment strategies.

Preparar el modelo para el despliegue

Entornos de tiempo de ejecución

Contenedorizar o no contenerizar

Arquitectura de despliegue del aprendizaje automático

Microservicio

Proceso de solicitud API

Flujo de datos de la API

CI/CD y estrategia de despliegue

CI/CD conductos

Opciones

Despliegue básico

Despliegue en la sombra

Despliegue canario

Estrategias de despliegue

Automatización y escalado

Seguimiento de experimentos

Contenedorización

CI/CD tubería

Cómo automatizar y escalar los componentes

Componentes MLOps

Deploying Machine Learning into Production

Finally, you’ll learn about maintaining machine learning in production, with concepts such as statistical and computational monitoring, retraining, different levels of MLOps maturity, and tools that can be used within the machine learning lifecycle to simplify processes.

Monitoring machine learning models

Machine learning monitoring

Statistical vs. computational monitoring

Retraining a machine learning model

Examples of drift

Retraining

Levels of MLOps maturity

MLOps maturity

MLOps maturity levels

MLOps tools

Using a tool

Pick the right tool

Recap: MLOps concepts

Maintaining Machine Learning in Production

Course Glossary

Entender las Operaciones de Machine Learning (MLOps) es esencial para que cualquier científico de datos, ingeniero o líder lleve los modelos de machine learning de un notebook local a un modelo funcionando en producción. Este curso te presenta los procesos, fases y niveles clave de MLOps, incluidos el diseño, el desarrollo, el despliegue y el monitoreo. Verás cómo la automatización permite a las organizaciones lanzar, supervisar y actualizar sus modelos de machine learning de forma eficiente.

Los vídeos incluyen transcripciones en vivo que puedes mostrar haciendo clic en "Show transcript" en la parte inferior izquierda de los vídeos.									
El glosario del curso se encuentra a la derecha, en la sección de recursos.				
					
Para obtener créditos CPE, necesitas completar el curso y alcanzar una puntuación del 70% en la evaluación habilitada. Puedes acceder a la evaluación haciendo clic en el aviso de créditos CPE en la derecha.									

<h2>Infórmate sobre las operaciones de machine learning (MLOps)</h2>
Comprender los conceptos de MLOps es esencial para que cualquier científico de datos, ingeniero o líder pueda llevar los modelos de machine learning de un cuaderno local a un modelo funcional en producción.
<br><br>
En este curso, aprenderás qué son los MLOps, comprenderás las distintas fases de los procesos MLOps e identificarás los diferentes niveles de madurez de los MLOps. Tras conocer los conceptos esenciales de MLOps, estarás bien equipado en tu viaje para implantar el machine learning de forma continua, fiable y eficaz.
<br><br>
<h2>Descubre cómo se puede escalar y automatizar el machine learning</h2>
¿Cómo podemos ampliar nuestros proyectos de machine learning empleando el mínimo de tiempo y recursos? ¿Y cómo podemos automatizar nuestros procesos para reducir la necesidad de intervención manual y mejorar el rendimiento del modelo? Éstas son preguntas fundamentales del machine learning a las que MLOps da respuesta.
<br><br>
En este curso de MLOps, empezarás explorando los fundamentos de MLOps, examinando las características principales y las funciones asociadas. A continuación, explorarás con más detalle las distintas fases del ciclo de vida del machine learning.
<br><br>
A medida que avances, también aprenderás sobre sistemas y herramientas para escalar y automatizar mejor las operaciones de machine learning, incluidos los almacenes de características, el seguimiento de experimentos, los conductos CI/CD, los microservicios y la contenedorización. Explorarás conceptos clave de MLOps, lo que te proporcionará una comprensión más firme de sus aplicaciones.

Understanding Machine Learning

Understanding Data Engineering

Descubre cómo MLOps lleva modelos de aprendizaje automático a producción generando valor empresarial.

Conceptos de MLOps

Descubre cómo los MLOps llevan los modelos de machine learning del cuaderno a modelos funcionales en producción que generan valor empresarial real.

Ingeniero Asociado de IA para Científicos de Datos

Ingeniero de Aprendizaje Automático

Machine learning en la producción en Python

Fundamentos de MLOps

La API envía datos de entrada al modelo de aprendizaje automático

El modelo de aprendizaje automático hace una predicción basada en nuevos datos de entrada

La salida del modelo se devuelve a la API

La API comunica las predicciones del modelo a la aplicación

Flujo de datos de la API

Conceptos de MLOps

Ejercicio interactivo práctico