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.

Preparing model for deployment

Runtime environments

To containerize or not to containerize

Machine learning deployment architecture

Microservice

API data flow

CI/CD and deployment strategy

CI/CD pipelines

Deployment strategies

Automation and scaling

How components automate and scale

MLOps components

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.

Monitorización de modelos de aprendizaje automático

Supervisión del aprendizaje automático

Opciones

Estadística

Computacional

Seguimiento estadístico vs. computacional

Reentrenar un modelo de aprendizaje automático

Deriva de datos

Deriva conceptual

Ejemplos de deriva

Reentrenamiento

Niveles de madurez de los MLOps

Madurez de los MLOps

Nivel 1

Nivel 2

Nivel 3

Niveles de madurez MLOps

Herramientas MLOps

Utilizar una herramienta

Seguimiento de experimentos

Contenedor de modelos

Supervisión

Elige la herramienta adecuada

Recapitula: Conceptos MLOps

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

En el 21% de los casos, el modelo predice erróneamente que las transacciones son fraudulentas.

Durante los últimos tres días, el modelo ha predicho constantemente que un cliente se dará de baja con una probabilidad del 100%.

Alrededor del 55% de los datos entrantes proceden de clientes masculinos.

En tres horas, el modelo ha sido capaz de procesar 702 solicitudes.

El CPU del servidor se utilizó sólo un 12% durante la semana pasada.

Parece que el modelo estuvo desconectado durante dos horas el lunes por la mañana.

Seguimiento estadístico vs. computacional

Conceptos de MLOps

Ejercicio interactivo práctico