Temario del curso
Introducción
- Modelos de Aprendizaje Automático frente a software tradicional
Visión general del flujo de trabajo DevOps
Visión general del flujo de trabajo de Aprendizaje Automático
ML como Código más Datos
Componentes de un sistema ML
Estudio de caso: Una aplicación de previsión de ventas
Acceso a los datos
Validación de datos
Transformación de datos
De canalización de datos a canalización 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 ML
Orquestación de la entrega continua
Monitoreo del modelo
Versionado de datos
Adaptación, escalado y mantención de una plataforma MLOps
Resolución de problemas
Resumen y conclusión
Requerimientos
- Comprensión del ciclo de desarrollo de software
- Experiencia construyendo o trabajando con modelos de Aprendizaje Automático
- Familiaridad con la programación en Python
Público objetivo
- Ingenieros de ML
- Ingenieros DevOps
- Ingenieros de datos
- Ingenieros de infraestructura
- Desarrolladores de software
Reseñas (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
