Laboratorio de Machine Learning: Puesta en Producción de Modelos
Laboratorio de Machine Learning: Puesta en Producción de Modelos

Bienvenida al laboratorio

1

Instrucciones generales del laboratorio

2

Laboratorios de ML: practica tus habilidades en proyectos profesionales

Mejoras incrementales

3

Problemas a resolver: mejoras incrementales

4

Troubleshooting: mejoras incrementales

Mejoras fundamentales

5

Problemas a resolver: mejoras fundamentales o profundas

6

Troubleshooting: mejoras fundamentales o profundas

7

Felicidades por llevar tu modelo a producción

Cierre del laboratorio

8

¿Cómo continuar tu proyecto?

No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

Si ya tienes una cuenta,

No se trata de lo que quieres comprar, sino de quién quieres ser. Invierte en tu educación con el precio especial

Antes: $249

Currency
$209

Paga en 4 cuotas sin intereses

Paga en 4 cuotas sin intereses
Suscríbete

Termina en:

12 Días
1 Hrs
24 Min
16 Seg
Laboratorio de Machine Learning: Puesta en Producción de Modelos

Laboratorio de Machine Learning: Puesta en Producción de Modelos

Ricardo Alanis

Ricardo Alanis

Problemas a resolver: mejoras fundamentales o profundas

5/8
Recursos

Aportes 1

Preguntas 0

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad?

Alberto Duque Villegas

Alberto Duque Villegas

hace un mes
Con base en lo que ha dicho Ricardo y algún otro comentario de estudiantes que nos han precedido, en resumen, las mejoras pueden corresponder a alguno de estos cuatro conceptos: 1. **Revisión y Exploración Inicial**: Conocer y revisar las librerías, probar la API. 2. **Mejoras en la API y el Modelo**: Adaptar la API, mejorar la gestión de variables, estructurar el entrenamiento. 3. **Pruebas y Validación**: Implementar pruebas con pytest, crear scripts de prueba. 4. **Implementación y Despliegue en Producción**: Dockerización, seleccionar servicio cloud, crear pipelines, probar en la nube.