Temario del curso
Introducción
- Modelos de Aprendizaje Automático vs. software tradicional
Panorama general del flujo de trabajo DevOps
Panorama general del flujo de trabajo de Aprendizaje Automático
ML como Código más Datos
Componentes de un sistema de ML
Caso de estudio: Una aplicación de pronóstico de ventas
Acceso a los datos
Validación de los datos
Transformación de los datos
De Pipeline de Datos a Pipeline de ML
Construcción del modelo de datos
Entrenamiento del modelo
Validación del modelo
Reproducción del entrenamiento del modelo
Despliegue de un modelo
Puesta en producción de un modelo entrenado
Pruebas de un sistema de ML
Orquestación de Entrega Continua
Monitoreo del modelo
Versionado de datos
Adaptación, escalado y mantenimiento de una plataforma MLOps
Resolución de problemas
Resumen y conclusión
Requerimientos
- Comprensión del ciclo de desarrollo de software.
- Experiencia en la construcción o trabajo con modelos de Aprendizaje Automático.
- Familiaridad con la programación en Python.
Audiencia
- Ingenieros de ML.
- Ingenieros de DevOps.
- Ingenieros de datos.
- Ingenieros de infraestructura.
- Desarrolladores de software.
Testimonios (2)
El conocimiento y experiencia del consultor ya que se abordan los temas teóricos aplicándolos a la realidad de los procesos. El curso contiene un programa de mucho valor en la gestión de las tecnologías de información.
Luis Castro Gamboa - Cooperativa De Ahorro Y Credito Ande No. 1 R.L.
Curso - Site Reliability Engineering (SRE) Foundation®
Que fue muy claro en cada especificación
