Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Gran parte del contenido actual relacionado con machine learning se centra en el entrenamiento de modelos y el ajuste de parámetros, pero el 90 % de los modelos experimentales nunca llegan a la fase de producción, principalmente porque no se han diseñado para durar. En este curso, verás cómo cambiar tu mentalidad de ingeniería de machine learning a una mentalidad de MLOps (operaciones de machine learning) te permitirá entrenar, documentar, mantener y escalar tus modelos hasta alcanzar su máximo potencial.
Experimenta y documenta con facilidad
Experimentar con modelos de ML suele ser divertido, pero puede llevar mucho tiempo. Aquí aprenderás a diseñar experimentos reproducibles para agilizar este proceso mientras redactas documentación para ti y tus compañeros de equipo, lo que facilitará enormemente el trabajo futuro en el proceso.Crear modelos MLOps para producción
Aprenderás las mejores prácticas para empaquetar y serializar tanto modelos como entornos para producción, con el fin de garantizar que los modelos duren el mayor tiempo posible.Amplía y automatiza tus procesos de aprendizaje automático
Al tener en cuenta la complejidad de los modelos y los datos, así como la automatización continua, puedes garantizar que tus modelos se adapten al uso en producción y se puedan supervisar e implementar en un abrir y cerrar de ojos.Una vez completado este curso, podrás diseñar y desarrollar modelos de machine learning listos para su producción y mejorarlos continuamente con el tiempo.
Requisitos previos
Programa de formación
Contenido del curso
1
Del laboratorio a producción
Este capítulo te proporcionará las habilidades y conocimientos necesarios para llevar tus modelos de Machine Learning desde la fase de investigación y desarrollo hasta un entorno de producción. Aprenderás el proceso para pasar de un prototipo de investigación a un sistema fiable, escalable y fácil de mantener.
- Adoptar una mentalidad de MLOps50 XP
- ¿Cuál es un aspecto clave de MLOps?50 XP
- ¿Qué es la deuda técnica?50 XP
- Escribir código de ML mantenible50 XP
- Control de versiones50 XP
- Organización del código50 XP
- Cómo escribir documentación de ML eficaz50 XP
- ¿Por qué documentar los métodos de etiquetado?50 XP
- Buenas prácticas de MLOps100 XP
2
Garantizar la reproducibilidad
En este capítulo, aprenderás la importancia de la reproducibilidad en Machine Learning y cómo lograr que tus modelos sigan siendo reproducibles y fiables con el tiempo. Explorarás diversas técnicas y buenas prácticas que puedes aplicar para asegurar la reproducibilidad de tus modelos.
3
ML en entornos de producción
En el Capítulo 3, analizarás los distintos retos asociados al despliegue de modelos de Machine Learning en entornos de producción. Conocerás diferentes enfoques para desplegar modelos de ML en producción y estrategias para monitorizar y mantener modelos de ML en producción.
4
Pruebas de canalizaciones de ML
En el capítulo final, conocerás distintas formas de probar las canalizaciones de Machine Learning y asegurar que rinden como se espera. Descubrirás la importancia de probar las canalizaciones de ML y aprenderás técnicas para probar y validar canalizaciones de ML.
R
Desarrollo de modelos de Machine Learning para producción
Curso
completado
