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 · 63 opiniones

Francisco David Perez Escobedo

@fp849k·

interesante

Erick Alejandro Zelaya Zavala

@erickzelayazavala·

Platzi Team

@pulzara·

Buen curso

Marcos Y Ruiz

@marcos.ruiz·

...

Ver las 63 opiniones

Eleva tu aprendizaje

Este curso es parte de estas rutas de aprendizaje

Ruta

30 Cursos

Data Scientist con Python

90 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

10 Cursos

Machine Learning con Python

27 horas

7 Profes

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

Ver ruta

Ruta

16 Cursos

Machine Learning y Deep Learning

52 horas

12 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

MLOps para llevar modelos a producción

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

MLflow com backend SQLite local

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

Métricas e hiperparámetros con MLflow

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

Cómo promover modelos MLflow a producción

Testar modelos MLflow em produção

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

Prueba local de API 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 con MLOps

Detección de data drift con modelo baseline

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

Próximos pasos en MLOps tras el curso

Conoce quién enseña el curso

4.3 · 63 opiniones

Francisco David Perez Escobedo

Erick Alejandro Zelaya Zavala

Platzi Team

Marcos Y Ruiz

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