Curso de MLOPS: Despliegue de Modelos de Machine Learning

4.3

Nivel Avanzado

35 clases

5 horas de contenido

10 horas de práctica

Implementa flujos de MLOps para entrenar, registrar, desplegar y monitorear modelos de machine learning usando MLflow, FastAPI, Docker, AWS, Prefect y Grafana, gestionando el ciclo completo en producción.

Fundamentos de MLOps y tracking de modelos

Tracking del ciclo de vida de modelos de machine learning

Orquestación de pipelines de machine learning

Despliegue de modelo de machine learning

Monitoreo de modelo de machine learning en producción

Tomar examen

Profes del curso

Conoce quién enseña el curso

María Camila Durango

Machine Learning Developer

Opiniones del curso

4.3 · 41 opiniones

JOSE LUIS HURTADO BALCAZAR

@jlhb1984·

La calidad humana y profesional de la profe

Daniel Hernandez

@danhergir·

Me encantó este curso, aprendí nuevas tecnologías y entendí nuevas cosas acerca de DevOps

Erick Lopez

@erickloopeze·

Excelente curso, aprendes mucho en verdad.

Francisco Manuel Tamayo Morales

@lebejava·

Excelente explicación detallada sobre despliegue de modelos a entornos en la nube. Toca temas muy densos y te da un buen punto de partida para un entorno productivo.

Ver las 41 opiniones

Eleva tu aprendizaje

Este curso es parte de estas rutas de aprendizaje

Ruta

32 Cursos

Data Scientist con Python

96 horas

17 Profes

Explora el fascinante mundo del Data Science con Python. Cada curso es un paso crucial hacia el análisis de datos y la creación de modelos de machine learning.

Ver ruta

Ruta

15 Cursos

DevOps

50 horas

10 Profes

Aprende sobre las principales herramientas para automatizar tus procesos y desplegar tu aplicación.

Ver ruta

Ruta

12 Cursos

Machine Learning con Python

33 horas

8 Profes

Aprende y aplica tus conocimientos para desarrollar soluciones avanzadas. Domina las habilidades necesarias para crear modelos de ML efectivos.

Ver ruta

Ruta

18 Cursos

Machine Learning y Deep Learning

58 horas

13 Profes

Profundiza en algoritmia, aprendizaje supervisado, no supervisado, redes neuronales, y el despliegue de modelos de Data Science e Inteligencia Artificial en producción.

Ver ruta

Comunidad

La comunidad es nuestro super poder

Contenido adicional creado por la comunidad que nunca para de aprender

Curso de MLOPS: Despliegue de Modelos de Machine Learning

Fundamentos de MLOps y tracking de modelos

Implementación de MLOps para Modelos de Machine Learning

Principios y Etapas del MLOps en Machine Learning

Componentes de Infraestructura en MLOps: Control, Integración y Monitorización

Tracking de Modelos de Machine Learning con MLflow Local

Seguimiento local de experimentos con MLflow usando folder personalizado

Tracking de Experimentos con MLflow y Bucket en SQLite

Tracking de Experimentos de Machine Learning con AWS y MLflow

Tracking del ciclo de vida de modelos de machine learning

Clasificación de Tickets con Procesamiento de Lenguaje Natural

Tracking de Datos y Modelado con MNLflow y Scikit-learn

Tracking de Métricas e Hiperparámetros con Validación Cruzada

Tracking de Modelos y Métricas con MLflow y CycleLearn

Optimización de Hiperparámetros en Modelos de Machine Learning

Creación y gestión de experimentos con MLflow y Scikit-Learn

Promoción y Gestión de Modelos en Azure con MLflow

Validación de Modelos de Machine Learning con MLflow y SciPy

Tracking y Trazabilidad en MLOps con MLflow

Orquestación de pipelines de machine learning

Creación de tareas en Prefect para flujos de Machine Learning

Creación de Flujos de Trabajo con Prefect para Machine Learning

Pipeline de Machine Learning para Clasificación de Tickets

Pipeline de Procesamiento y Entrenamiento de Modelos de Datos

Ejecución de Flujos de Trabajo con Prefect: Conceptos y Prácticas

Orquestación de Flujos Flexibles con Prefect y Python

Despliegue de modelo de machine learning

Despliegue de Aplicaciones con Docker y FAS API en AWS

Creación de Aplicación con PaaS API, Docker y Grafana

Preprocesamiento y Predicción de Texto en Modelos de Machine Learning

Configuración de Base de Datos en SQLModel y Docker Compose

Despliegue Local y en AWS de Aplicaciones con Docker y Postman

Implementación de Modelos en Entornos Productivos con AWS y Docker

Autoescalado y Entrega Continua de Modelos en Producción

Monitoreo de modelo de machine learning en producción

Monitoreo de Modelos en Producción: Estrategias y Métricas Clave

Monitoreo de Modelos en Producción: Calidad de Datos y Data Drift

Modelo de Clasificación con Support Vector Classifier

Análisis de Drift y Valores Faltantes con Evidently

Creación de Dashboards y Visualizaciones en Grafana para Machine Learning

Mejora de Procesos MLOps e Infraestructura Escalable

Conoce quién enseña el curso

4.3 · 41 opiniones

JOSE LUIS HURTADO BALCAZAR

Daniel Hernandez

Erick Lopez

Francisco Manuel Tamayo Morales

Este curso es parte de estas rutas de aprendizaje

Data Scientist con Python

DevOps

Machine Learning con Python

Machine Learning y Deep Learning

La comunidad es nuestro super poder