Fundamentos de MLOps y tracking de modelos
¿Qué es MLOps y para qué sirve?
Tracking de modelos en localhost con MLflow
Tracking de modelos en localhost: directorio personalizado
Etapas del ciclo de MLOps
Componentes de MLOps
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?
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
El desarrollo y la mejora de modelos de clasificación son esenciales en el campo del aprendizaje automático. En este contexto, se ha propuesto un segundo enfoque utilizando Support Vector Classifier (SVC) para mejorar la simplicidad del modelo base inicial. La importancia de este enfoque radica en su capacidad para manejar la clasificación multiclase y mejorar la precisión del modelo.
Para implementar un modelo eficiente de SVC, se llevaron a cabo varios pasos cuidadosamente estructurados:
Transformación de datos: Se utilizaron técnicas de transformación de datos como la frecuencia inversa para preparar los datos para el modelo.
División de datos: Los datos se separaron en conjuntos de entrenamiento y prueba para asegurar que el modelo pueda generalizar a nuevos datos.
Definición del modelo: Se configuró un Support Vector Machine Classifier especificando atributos como el kernel y el class weight, además de fijar una semilla para garantizar la reproducibilidad del modelo.
Ajuste del modelo: El modelo se entrenó con los datos transformados de entrenamiento y se evaluó usando un conjunto de datos de pruebas, examinando además las predicciones para realizar ajustes necesarios.
Evaluación del modelo: Se generó un informe con los datos de pruebas para evaluar el desempeño del modelo en las clases previstas.
Trabajar con matrices dispersas es común al utilizar técnicas como la inversa de frecuencia, y puede implicar complejidades adicionales. En este modelo:
Es crucial tener en cuenta cómo se gestionan las predicciones y los datos de referencia al construir un modelo eficaz:
El uso de herramientas como Evidently para la calidad de datos requiere un formato especÃfico para asegurar un análisis adecuado:
Con los datos ahora transformados, se está listo para llevar a cabo un análisis de calidad de datos, verificando las predicciones del modelo con un conjunto de datos de referencia y datos reales. Este paso no solo evalúa la efectividad del modelo, sino que también ayuda a asegurar su robustez en el tiempo.
Continúa explorando las capacidades de SVC y experimenta creando tu propio modelo base. No olvides compartir tus resultados y aprender de las experiencias de otros estudiantes. ¡Adelante con entusiasmo hacia la próxima lección!
Aportes 1
Preguntas 0
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?