

Santiago Tamayo Lopez
La claridad de los conceptos, las recomendaciones y la especificidad en cada uno de los pasos para interiorizar funcionamiento de los mismos y posibles integraciones o modificaciones
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.


La claridad de los conceptos, las recomendaciones y la especificidad en cada uno de los pasos para interiorizar funcionamiento de los mismos y posibles integraciones o modificaciones


El curso es genial y valioso en su contenido. Aunque hubo aspectos a corregir, esto me agregó experiencia al solucionarlos como en los casos de Docker , AWS y Postgres, resultado con éxito todas las corridas de las prácticas. El alcance del curso fue bien amplio y sienta bases para profundizar. Como lo he hecho en otros cursos claves, vuelvo a repasar el curso con renovada atención a las valiosas recomendaciones de María Camila y a profundizar algunos aspectos técnicos. Recomiendo a Platzi revisar algunas escenas para ajustarlas en las presentaciones..


Gracias Maria Camila. Muy bien explicado


Excelente curso, a pesar de lo denso, si le dedicas el tiempo necesario la profe y el contenido van a aportar demasiado, super recomendado


Lo mejor de este curso fue la comprensión profunda de MLOps, incluyendo la integración y automatización de procesos de Machine Learning, el seguimiento y gestión de modelos con MLflow, y el despliegue eficiente de modelos utilizando Docker y FastAPI. Además, el curso destacó la importancia de las mejores prácticas en el manejo de datos, la orquestación de tareas, y la creación de características para maximizar el rendimiento predictivo de los modelos.


Es un gran curso para entender los fundamentos de MLOps.


Todo.


este curso es de lo mejor vale la pena


El tener los recursos que permiten seguir el paso a paso. Su tono pausado ayuda a entender sin abrumarse.