Sistemas de Machine Learning en Producción y Fundamentos de MLOps

Transicionar un modelo de machine learning desde un cuaderno experimental a un entorno de producción confiable requiere un conjunto distinto de prácticas de ingeniería. Este curso lo guía a través de los componentes esenciales de los sistemas de ML listos para producción. Comprenderá cómo diseñar arquitecturas escalables, automatizar flujos de trabajo y mantener el rendimiento del modelo a lo largo del tiempo utilizando metodologías modernas de MLOps. Lo que aprenderá: * Comprender la terminología fundamental de MLOps, las arquitecturas de sistemas y el ciclo de vida de ML; * Construir pipelines de datos automatizados e implementar almacenes de características para una entrega de datos consistente; * Desplegar modelos de machine learning como APIs escalables utilizando contenerización y orquestación; * Monitorear el rendimiento del sistema, rastrear la deriva del modelo e implementar registro y observabilidad; * Configurar pipelines básicos de CI/CD para pruebas automatizadas y despliegue continuo de código ML; * Aplicar las mejores prácticas para la gestión de recursos, optimización de costos y seguridad en entornos en la nube. Comenzando con conceptos y definiciones centrales, este curso basado en texto lo lleva paso a paso a través del diseño de pipelines, estrategias de despliegue y mantenimiento continuo del sistema. Este curso está diseñado para principiantes en ingeniería de machine learning, ciencia de datos o desarrollo de software sin experiencia previa en despliegue en producción. Comience a leer hoy mismo para cerrar la brecha entre el entrenamiento del modelo y el despliegue en producción en el mundo real.