Temario del curso
Introducción
- Modelos de Machine Learning vs software tradicional
Resumen del flujo de trabajo de DevOps
Resumen del flujo de trabajo de Machine Learning
ML como código más datos
Componentes de un sistema de ML
Caso de estudio: Una aplicación de pronóstico de ventas
Acceso a datos
Validación de datos
Transformación de 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
Servicio de un modelo entrenado en producción
Pruebas de un sistema de ML
Orquestación de la entrega continua
Monitoreo del modelo
Versionado de datos
Adaptación, escalado y mantenimiento de una plataforma de MLOps
Resolución de problemas
Resumen y conclusión
Requerimientos
- Comprensión del ciclo de desarrollo de software
- Experiencia construyendo o trabajando con modelos de Machine Learning
- Familiaridad con la programación en Python
Público objetivo
- Ingenieros de ML
- Ingenieros de 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
