Temario del curso
Introducción a Apache Airflow para Aprendizaje Automático
- Visión general de Apache Airflow y su relevancia para la ciencia de datos.
- Características clave para automatizar flujos de trabajo de aprendizaje automático.
- Configuración de Airflow para proyectos de ciencia de datos.
Construcción de Pipelines de Aprendizaje Automático con Airflow
- Diseño de DAGs para flujos de trabajo de ML de extremo a extremo.
- Uso de operadores para ingestión de datos, preprocesamiento e ingeniería de características.
- Programación y gestión de dependencias del pipeline.
Entrenamiento y Validación de Modelos
- Automatización de tareas de entrenamiento de modelos con Airflow.
- Integración de Airflow con frameworks de ML (por ejemplo, TensorFlow, PyTorch).
- Validación de modelos y almacenamiento de métricas de evaluación.
Despliegue y Monitoreo de Modelos
- Despliegue de modelos de aprendizaje automático mediante pipelines automatizados.
- Monitoreo de modelos desplegados con tareas de Airflow.
- Gestión del reentrenamiento y actualizaciones de modelos.
Personalización y Integración Avanzada
- Desarrollo de operadores personalizados para tareas específicas de ML.
- Integración de Airflow con plataformas en la nube y servicios de ML.
- Ampliación de flujos de trabajo de Airflow con plugins y sensores.
Optimización y Escalado de Pipelines de ML
- Mejora del rendimiento del flujo de trabajo para grandes volúmenes de datos.
- Escalado de implementaciones de Airflow con Celery y Kubernetes.
- Mejores prácticas para flujos de trabajo de ML de nivel de producción.
Estudios de Caso y Aplicaciones Prácticas
- Ejemplos reales de automatización de ML utilizando Airflow.
- Ejercicio práctico: Construcción de un pipeline de ML de extremo a extremo.
- Discusión de desafíos y soluciones en la gestión de flujos de trabajo de ML.
Resumen y Próximos Pasos
Requerimientos
- Familiaridad con flujos de trabajo y conceptos de aprendizaje automático.
- Comprensión básica de Apache Airflow, incluyendo DAGs y operadores.
- Dominio de la programación en Python.
Audiencia objetivo
- Científicos de datos.
- Ingenieros de aprendizaje automático.
- Desarrolladores de inteligencia artificial.
Reseñas (2)
Fomentar la repetición en la construcción de indicaciones (prompts) entre quienes nunca han utilizado la IA, y animar a los usuarios experimentados a considerar métodos alternativos para su uso.
Matthew Gay - Tarsus Pharmaceuticals
Curso - Artificial Intelligence (AI) Overview
Traducción Automática
Trabajando desde principios fundamentales de manera enfocada y pasando a aplicar estudios de caso en el mismo día
Maggie Webb - Department of Jobs, Regions, and Precincts
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
Traducción Automática
