Despliegue de Modelos de Machine Learning en AWS con Serverless

Has entrenado un modelo de machine learning, pero ¿cómo lo pones en producción sin la complejidad de gestionar servidores? Este curso ofrece un camino práctico para desplegar tus modelos como servicios web en vivo y escalables utilizando un enfoque serverless. Al final de este curso, podrás empaquetar con confianza varios modelos de ML, definir la infraestructura de nube necesaria como código y desplegarlos como APIs robustas en AWS. Pasarás de un archivo de modelo entrenado a un endpoint completamente funcional y listo para producción que puede servir predicciones bajo demanda. Lo que aprenderás: - Comprender los conceptos centrales de serverless y los servicios clave de AWS como Lambda, API Gateway y S3. - Configurar y gestionar recursos en la nube de forma declarativa usando el Serverless Framework. - Empaquetar scikit-learn, Keras y otros modelos de ML con sus dependencias para entornos serverless. - Construir y desplegar servicios de ML usando tanto paquetes ZIP tradicionales como imágenes de contenedores modernas para AWS Lambda. - Crear APIs HTTP seguras y escalables para servir predicciones en tiempo real desde tus modelos. - Practicar la escritura de funciones handler de Python para cargar modelos y procesar solicitudes de inferencia de manera eficiente. - Implementar logging y monitoreo básicos para tus aplicaciones serverless usando CloudWatch. El curso comienza con los principios fundamentales de serverless y una introducción a los servicios centrales de AWS que utilizarás. A partir de ahí, progresarás a través de ejercicios prácticos escritos, desplegando modelos de machine learning cada vez más complejos. Este curso está diseñado para principiantes en despliegue en la nube. Si bien una familiaridad básica con Python y los conceptos de machine learning es útil, no se requiere experiencia previa con AWS o el Serverless Framework. Comienza a aprender hoy mismo cómo llevar tus modelos de tu máquina local a producción.