Fundamentos de MLOps: Construya y automatice las tuberías de ML de producción

Mover un modelo de aprendizaje automático de un portátil local a un entorno de producción fiable requiere algo más que una buena ciencia de datos. Exige MLOps, las prácticas y herramientas que automatizan, monitorean y escalan los sistemas de aprendizaje automático en el mundo real.\n\nEn este curso estructurado, hará la transición desde el desarrollo de modelos básicos hasta la administración de sistemas de ML listos para la producción. Comprenderá cómo cerrar la brecha entre la ciencia de datos y las operaciones, estableciendo flujos de trabajo robustos que mantengan los modelos precisos y confiables a lo largo del tiempo.\n\nLo que aprenderá:\n- Comprenda la terminología, los principios y las etapas principales del ciclo de vida de MLOps.\n- Realice un seguimiento de los experimentos, registre los parámetros y administre las versiones del modelo utilizando MLflow.\n Empaquete y ofrezca modelos de aprendizaje automático como API listas para producción con BentoML.\n- Monitoree el rendimiento del modelo y las métricas del sistema usando Grafana para detectar derivas.\n - Implemente canalizaciones básicas de CI/CD y conceptos de contenedorización para implementación automatizada.\n Comenzará con las definiciones fundamentales y la arquitectura de MLOps antes de avanzar a los recorridos escritos paso a paso para el seguimiento, empaquetado y monitoreo de modelos. A través de explicaciones claras y ejercicios prácticos basados en código, construirá una base conceptual y práctica sólida.\n\nEste curso está diseñado para aspirantes a ingenieros de ML, científicos de datos y profesionales de DevOps que son nuevos en MLOps. No se requiere experiencia previa en DevOps, aunque es útil tener un conocimiento básico de Python y de los conceptos de aprendizaje automático.\n\nComience a leer hoy mismo para dominar los aspectos esenciales de los sistemas de aprendizajes automáticos de producción.