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.
Testimonios (3)
Me gustó mucho el final donde tuvimos la oportunidad de experimentar con CHAT GPT. La sala no estaba muy bien preparada para esto; en lugar de una gran mesa, varias mesas pequeñas nos habrían permitido formar grupos pequeños y generar ideas de manera más efectiva.
Nola - Laramie County Community College
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
Que se estuviera aplicando datos reales de la empresa. El formador tenía un enfoque muy bueno al hacer que los participantes colaboraran y competieran.
Jimena Esquivel - Zaklad Uslugowy Hakoman Andrzej Cybulski
Curso - Applied AI from Scratch in Python
Traducción Automática
