En primer lugar, conocerás las características principales de MLOps. Explorarás el ciclo de vida del aprendizaje automático, sus fases y las funciones asociadas a los procesos MLOps.

¿Qué es MLOps?

Explicación de los MLOP

Opciones

Acciones acordes con los principios MLOps

Acciones no conformes con los principios MLOps

Principios MLOps

Diferentes fases en MLOps

El ciclo de vida de ML

Diseño

Desarrollo

Implementación

Tareas por fase

Funciones en MLOps

Tu equipo MLOps

Ingeniero de datos

Científico de datos

Funciones básicas en los procesos MLOps

Introducción a los MLOps

A continuación, aprenderás sobre la fase de diseño y desarrollo en el ciclo de vida del aprendizaje automático. Explorarás la estimación del valor añadido, la calidad de los datos, los almacenes de características y el seguimiento de experimentos.

Diseño de MLOps

Identificar los requisitos empresariales

Métricas clave

Calidad e ingestión de datos

Determinar la calidad de los datos

Dimensiones de la calidad de los datos

Ingeniería de caracteristicas (Feature engineering)

Mejorar el rendimiento de los modelos

Ayudar a un amigo

Seguimiento de experimentos

¿Qué podemos rastrear?

Saltarse el seguimiento del experimento

Diseño y desarrollo

En este capítulo, te sumergirás en los conceptos relevantes para desplegar el aprendizaje automático en producción, como los entornos de ejecución, la contenedorización, CI/CD pipelines, y las estrategias de despliegue.

Preparar el modelo para el despliegue

Entornos de tiempo de ejecución

Contenedorizar o no contenerizar

Arquitectura de despliegue del aprendizaje automático

Microservicio

Flujo de datos de la API

CI/CD y estrategia de despliegue

CI/CD conductos

Estrategias de despliegue

Automatización y escalado

Cómo automatizar y escalar los componentes

Componentes MLOps

Desplegar el aprendizaje automático en la producción

Por último, aprenderás a mantener el aprendizaje automático en producción, con conceptos como la supervisión estadística y computacional, el reentrenamiento, los distintos niveles de madurez de MLOps y las herramientas que pueden utilizarse dentro del ciclo de vida del aprendizaje automático para simplificar los procesos.

Monitorización de modelos de aprendizaje automático

Supervisión del aprendizaje automático

Seguimiento estadístico vs. computacional

Reentrenar un modelo de aprendizaje automático

Ejemplos de deriva

Reentrenamiento

Niveles de madurez de los MLOps

Madurez de los MLOps

Niveles de madurez MLOps

Herramientas MLOps

Utilizar una herramienta

Elige la herramienta adecuada

Recapitula: Conceptos MLOps

Mantener el aprendizaje automático en producción

Comprender las Operaciones de Aprendizaje Automático (MLOps) es esencial para que cualquier científico de datos, ingeniero o líder pueda llevar los modelos de aprendizaje automático de un cuaderno local a un modelo funcional en producción. Este curso te introduce en los procesos, fases y niveles clave de los MLOps, incluidos el diseño, el desarrollo, la implantación y la supervisión. Descubrirás cómo la automatización permite a las organizaciones lanzar, supervisar y actualizar eficazmente sus modelos de aprendizaje automático.

<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 MLOps

Descubre cómo MLOps lleva modelos de aprendizaje automático a producción generando 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

Implementa el control de versiones tanto de los datos como del código del modelo para garantizar la reproducibilidad y la trazabilidad.

Establecer un sistema de control continuo del rendimiento del modelo en producción.

Establece canalizaciones automatizadas de pruebas y validación para los modelos antes de que lleguen a producción.

Confía en los procesos de despliegue manual para todos los cambios del modelo, a fin de mantener el control.

Mantén los equipos de ciencia de datos y operaciones completamente separados para evitar confusiones.

Realiza un largo proceso de revisión manual de cada actualización del modelo antes de implantarlo.

Principios MLOps

Conceptos MLOps

Ejercicio interactivo práctico