MLOps práctico: Crea y despliega pipelines de ML con MLflow y DVC

Transicionar un modelo de machine learning desde un notebook local a un entorno de producción confiable es uno de los mayores desafíos en el desarrollo de IA hoy en día. Este curso cierra la brecha entre la ciencia de datos y la ingeniería de software al presentarte los principios fundamentales de las Operaciones de Machine Learning (MLOps). A través de explicaciones estructuradas y escritas, y ejemplos de código prácticos, aprenderás a construir pipelines de ML automatizados, reproducibles y monitoreados. Progresarás desde la comprensión de la terminología central de MLOps hasta el versionado de conjuntos de datos, el rastreo de experimentos de modelos y el despliegue de APIs listas para producción. Lo que aprenderás: - Comprender los conceptos fundamentales de MLOps, las etapas del ciclo de vida y las diferencias centrales entre DevOps y MLOps. - Rastrear y registrar experimentos de machine learning usando MLflow para asegurar una reproducibilidad completa. - Configurar Data Version Control (DVC) para gestionar y versionar grandes conjuntos de datos dentro de tu flujo de trabajo de Git. - Construir y contenerizar microservicios de machine learning usando FastAPI y Docker. - Aplicar principios básicos de CI/CD y herramientas de AutoML de bajo código para automatizar el entrenamiento y la evaluación de modelos. - Implementar monitoreo de modelos y prácticas básicas de observabilidad para detectar la deriva de datos en producción. El curso comienza con la terminología esencial y el ciclo de vida de MLOps antes de guiarte paso a paso a través del versionado de datos, el rastreo de experimentos y el despliegue en contenedores. Este curso está diseñado para principiantes, aspirantes a científicos de datos e ingenieros de software que buscan ingresar al campo de MLOps, sin requerir experiencia previa en operaciones. Comienza a leer hoy mismo para construir pipelines de machine learning confiables y listos para producción.