No pude hacer mi reseña al terminar el curso, es por ello que la haré aquí. Realmente no puedo creer que este curso este en Platzi, es un curso que da por entendido TODO, no solo que no se explica prácticamente nada, sino que cuando se hacen las explicaciones son muy vacias, y terminas avanzando de clase con la angustia de no entender nada.
El curso es muy poco práctico porque al darte todo el trabajo hecho lo hacen ver más fácil pero lo único que hacen es perjudicarte porque no entendes el proceso que se realizo.
Pone triste que este sea uno de los ultimos cursos de la ruta de ciencia de datos, porque se lleva por delante todo el excelente trabajo que han hecho otros profesores en esta ruta de aprendizaje. Uno de los “últimos temas” y más importantes, prácticamente donde tenes que aplicar todas las habilidades aprendidas que termine de esta forma es triste.
Fundamentos de MLOps y tracking de modelos
¿Qué es MLOps y para qué sirve?
Etapas del ciclo de MLOps
Componentes de MLOps
Tracking de modelos en localhost con MLflow
Tracking de modelos en localhost: directorio personalizado
Tracking de modelos con MLflow y SQLite
Tracking de modelos con MLflow en la nube
Tracking del ciclo de vida de modelos de machine learning
Tracking de experimentos con MLflow: preprocesamiento de datos
Tracking de experimentos con MLflow: definición de funciones
Tracking de experimentos con MLflow: tracking de métricas e hiperparámetros
Tracking de experimentos con MLflow: reporte de clasificación
Entrenamiento de modelos baseline y análisis en UI de MLflow
MLflow Model Registry: registro y uso de modelos
Registro de modelos con mlflow.client
Testing de modelo desde MLflow con datos de prueba
¿Para qué sirve el tracking de modelos en MLOps?
Orquestación de pipelines de machine learning
Tasks con Prefect
Flows con Prefect
Flow de modelo de clasificación de tickets: procesamiento de datos y features
Flow de modelo de clasificación de tickets: integración de las tasks
Flow de modelo de clasificación de tickets: ejecución de tasks
¿Cómo se integra la orquestación en MLOps?
Despliegue de modelo de machine learning
Despligue con Docker y FastAPI: configuración y requerimientos
Despligue con Docker y FastAPI: definición de clases y entry point
Despligue con Docker y FastAPI: procesamiento de predicciones en main app
Despligue con Docker y FastAPI: configuración de la base de datos
Despliegue y pruebas de modelo de machine learning en localhost
Despliegue y pruebas de modelo de machine learning en la nube
¿Qué hacer con el modelo desplegado?
Monitoreo de modelo de machine learning en producción
¿Cómo monitorear modelos de machine learning en producción?
Entrenamiento de modelo baseline
Preparar datos para crear reporte con Evidently
Análisis de la calidad de los datos con Evidently
Creación de reportes con Grafana
¿Cómo mejorar tus procesos de MLOps?
¿Qué es MLOps y para qué sirve?
1/35Aportes 8
Preguntas 0
Que buen curso!
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?