Curso
CI/CD para Machine Learning
AvanzadoNivel de habilidad
Actualizado 6/2025
ShellMachine Learning5 h15 vídeos46 Ejercicios3,500 XP8,513Certificado de logros
Crea tu cuenta gratuita
Continuar con GoogleMostrar más opcioneso
Al continuar, aceptas nuestros Términos de uso, nuestra Política de privacidad y que tus datos se almacenen en los EE. UU.
Preferido por estudiantes en miles de empresas
¿Formando un equipo?
Prueba para empresasDescripción del curso
Fundamentos de CI/CD, YAML y machine learning
Se te presentarán los conceptos fundamentales de CI/CD y YAML, y obtendrás una comprensión del ciclo de vida del desarrollo de software y términos clave como compilación, prueba e implementación. Definirás la integración continua, la entrega continua y la implementación continua, al tiempo que examinarás sus diferencias. También explorarás la utilidad de CI/CD en machine learning y la experimentación.Acciones de GitHub para la automatización de CI/CD
Aprenderás sobre GA, una potente plataforma para implementar flujos de trabajo de CI/CD. Descubrirás los distintos elementos de GA, incluidos eventos, acciones, trabajos, pasos, ejecutores y contexto. Aprenderás a definir flujos de trabajo activados por eventos como solicitudes push y pull, y a personalizar máquinas ejecutoras. También adquirirás experiencia práctica al configurar canalizaciones básicas de CI y comprender el registro GA.Control de versiones de conjuntos de datos con control de versiones de datos
Profundizarás en el control de versiones de datos (DVC) para versionar conjuntos de datos, inicializar DVC y realizar un seguimiento de los conjuntos de datos. Mediante el uso de canalizaciones DVC, aprenderás a entrenar modelos de clasificación y generar métricas de forma reproducible.Optimización del rendimiento del modelo y ajuste de hiperparámetros
Ahora te centrarás en el análisis del rendimiento de los modelos y el ajuste de hiperparámetros, y adquirirás habilidades prácticas en la comparación de métricas y gráficos entre ramas para comparar los cambios en el rendimiento de los modelos. Aprenderás a descargar artefactos utilizando GA y a realizar el ajuste de hiperparámetros utilizando GridSearchCV de scikit-learn. Además, explorarás la automatización de las solicitudes de extracción con la mejor configuración del modelo.Requisitos previos
MLOps ConceptsSupervised Learning with scikit-learnIntermediate Git1
Introducción a Continuous Integration/Continuous Delivery y YAML
En este capítulo, explorarás los principios esenciales de Continuous Integration/Continuous Delivery (CI/CD) y YAML. Comprenderás el ciclo de vida del desarrollo de software y términos clave como build, test y deploy. Descubre las diferencias entre Continuous Integration, Continuous Delivery y Continuous Deployment. Además, investigarás la importancia de CI/CD en Machine Learning y la experimentación.
2
GitHub Actions
Prepárate para explorar GitHub Actions (GHA), una plataforma muy potente para ejecutar flujos de trabajo de CI/CD. Descubre los distintos componentes de GHA: events, actions, jobs, steps, runners y context. Aprende a crear flujos de trabajo que se activen con eventos como push y pull requests, y a personalizar las máquinas runner. Sumérgete en la práctica configurando canalizaciones básicas de CI y comprendiendo los detalles del registro (log) de GHA.
3
Integración continua en Machine Learning
En este capítulo, integrarás el entrenamiento de modelos de Machine Learning en una canalización de GitHub Action usando Continuous Machine Learning GitHub Action. Generarás un informe completo en Markdown con métricas y gráficos del modelo. También profundizarás en el versionado de datos en Machine Learning adoptando Data Version Control (DVC) para rastrear cambios en los datos. El capítulo también cubre la configuración de remotos de DVC y la transferencia de conjuntos de datos. Por último, explorarás las canalizaciones de DVC, configurando un archivo YAML de DVC para orquestar entrenamientos reproducibles.
4
Comparación de ejecuciones de entrenamiento y ajuste de hiperparámetros (HP)
En este capítulo, centrarás tu atención en el análisis del rendimiento del modelo y el ajuste de hiperparámetros. Adquirirás experiencia práctica comparando métricas y visualizaciones entre distintas ramas para evaluar cambios en el rendimiento del modelo. Realizarás
ajuste de hiperparámetros utilizando GridSearchCV de scikit-learn. Además, profundizarás en la automatización de pull requests usando la configuración óptima del modelo.
CI/CD para Machine Learning
Curso completo
Obtener certificado de logros
Añade esta certificación a tu perfil de LinkedIn o a tu currículum.Compártelo en redes sociales y en tu evaluación de desempeño.Inscríbete ahora
¡Únete a 19 millones de estudiantes y empieza CI/CD para Machine Learning hoy mismo!
Crea tu cuenta gratuita
Continuar con GoogleMostrar más opcioneso
Al continuar, aceptas nuestros Términos de uso, nuestra Política de privacidad y que tus datos se almacenen en los EE. UU.
Desarrolla tus habilidades de datos con la aplicación móvil de DataCamp
Progresa desde cualquier dispositivo móvil con nuestros cursos y desafíos de programación diarios de 5 minutos.