Curso
Conceptos de Monitoring en Machine Learning
IntermedioNivel de habilidad
Actualizado 5/2026
TheoryMachine Learning2 h11 vídeos33 Ejercicios2,050 XP5,006Certificado 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
Conceptos de supervisión del aprendizaje automático
Los modelos de aprendizaje automático influyen cada vez más en las decisiones del mundo real. Estos modelos necesitan supervisión para evitar fallos y garantizar que aportan valor empresarial a tu empresa. Este curso te introducirá en los conceptos fundamentales de la creación de un sistema sólido de supervisión de tus modelos en producción.Descubre el flujo de trabajo de supervisión ideal
El curso comienza con el esquema de por dónde empezar a supervisar en producción y cómo estructurar los procesos en torno a ello. Cubriremos el flujo de trabajo básico mostrándote cómo detectar los problemas, identificar las causas raíz y resolverlos con ejemplos del mundo real.Explora los retos de la supervisión de modelos en producción
Desplegar un modelo en producción es sólo el principio del ciclo de vida del modelo. Aunque funcione bien durante el desarrollo, puede fallar debido a los continuos cambios de los datos de producción. En este curso, explorarás las dificultades de controlar el rendimiento de un modelo, sobre todo cuando no existe una verdad de base.Comprender en Detalle el Desplazamiento de Covariables y la Deriva de Conceptos
La última parte de este curso se centrará en dos tipos de fallo silencioso del modelo. Conocerás en detalle los distintos tipos de desplazamientos de covariables y de deriva conceptual, su influencia en el rendimiento del modelo y cómo detectarlos y evitarlos.Requisitos previos
MLOps ConceptsSupervised Learning with scikit-learn1
¿Qué es el ML Monitoring?
En este primer capítulo verás por qué las empresas necesitan monitorizar tus modelos de Machine Learning en producción. Conocerás el flujo de trabajo ideal de monitorización y los pasos que lo componen, además de algunos de los retos a los que pueden enfrentarse los sistemas de monitorización en producción.
2
Conceptos teóricos de la monitorización
En el Capítulo 2, descubrirás la importancia fundamental de monitorizar el rendimiento dentro de un sistema de monitorización fiable. Exploraremos los retos habituales en entornos reales de producción, como la disponibilidad del ground truth. Al finalizar el capítulo, sabrás cómo actuar cuando los datos de ground truth se retrasan o no están disponibles, utilizando algoritmos de estimación del rendimiento.
3
Detección de covariate shift y concept drift
Ahora que ya conoces las bases del covariate shift y el concept drift en producción, vamos a profundizar un poco más. Al finalizar este capítulo, conocerás distintas formas de detectarlos y gestionarlos en escenarios del mundo real.
Conceptos de Monitoring en 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 Conceptos de Monitoring en 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.