Implementación y ciclo de vida de MLOps

Explora el marco moderno de MLOps, incluyendo el ciclo de vida y la implementación de modelos de machine learning. En este curso, aprenderás a escribir código ML que minimice la deuda técnica, descubrirás las herramientas que necesitarás para implementar y supervisar tus modelos, y examinarás los diferentes tipos de entornos y análisis con los que te encontrarás.

Más información sobre el ciclo de vida de MLOps

Una vez que hayas recopilado, preparado y etiquetado tus datos, realizado numerosos experimentos con diferentes modelos y demostrado tu concepto con un modelo campeón, es hora de pasar a los siguientes pasos. Construye Implementar. Monitor. Mantener. Ese es el ciclo de vida de tu modelo una vez que está destinado a la producción. Esa es la parte de operaciones (Ops) de MLOps. Este curso te enseñará cómo navegar por el segundo capítulo del viaje de tu modelo hacia la entrega de valor, estableciendo el punto de referencia para muchos más que vendrán. Comenzarás explorando el ciclo de vida de MLOps, descubriendo la importancia de MLOps y los componentes funcionales clave para el desarrollo, la implementación, la supervisión y el mantenimiento de modelos.

Desarrollar código ML para su implementación

A continuación, aprenderás a desarrollar modelos para su implementación y a escribir código de ML eficaz, aprovechar herramientas y entrenar canalizaciones de ML. A medida que avances, aprenderás cómo implementar tus modelos, explorando diferentes entornos de implementación y cuándo utilizarlos. También desarrollarás estrategias para sustituir los modelos de producción existentes y examinarás las API.

Aprende a supervisar tus modelos

A medida que completes el curso, descubrirás las métricas de rendimiento cruciales que hay detrás de la supervisión y el mantenimiento de tus modelos de aprendizaje automático. Aprenderás sobre la supervisión de desviaciones en la producción, así como sobre la retroalimentación de modelos, las actualizaciones y la gobernanza. Cuando termines, comprenderás cómo puedes utilizar el ciclo de vida de MLOps para implementar tus propios modelos en producción.

Progresión entre entornos

Despliegue y ciclo de vida en MLOps

Ejercicio interactivo práctico