Fundamentos de MLOps (Machine Learning Operations) Hands On

Curso práctico y aplicado de MLOps con MLFlow, Scikit-learn, CI/CD, Pycaret, FastAPI, Gradio, SHAP, Monitorización

3.65 (17 reviews)
Udemy
platform
Español
language
Data Science
category
instructor
Fundamentos de MLOps (Machine Learning Operations) Hands On
53
students
3 hours
content
Jan 2023
last update
$44.99
regular price

What you will learn

Implantación de MLOps de extremo a extremo

Model serving mediante el desarrollo de una aplicaciones web con Gradio

Model serving mediante el desarrollo de APIs con FastAPI

Versionado de modelos con MLFlow

Interpretabilidad de modelos y deriva de datos

Automatización del ciclo de vida del modelo con Pycaret

Toolbox completo de MLOps

Seguimiento de experimentos y registro de modelos con MLFlow

Puesta en producción de modelos de Machine Learning

Niveles de implantación del MLOps

Description

Si estás buscando un curso práctico, conciso y aplicado para aprender las tecnologías de MLOps, has venido al lugar correcto.

Según una encuesta de Algorithmia, el 85% de los proyectos de Machine Learning no llegan a producción. Además, el mercado de MLOps no para de crecer. Se estimó en $23,2 mil millones para el 2019 y se proyecta que alcance los $126 mil millones para 2025. Por ello, el formarte en MLOps te dará numerosas oportunidades laborales y profesionales.


Este curso está diseñado para aprender todo lo relacionado con MLOps, desde el desarrollo, registro y versionado de modelos hasta la monitorización, CI/CD, model serving y puesta en producción mediante APIs y aplicaciones web.


Con la formación teórica, las guías de estudio descargables, los ejercicios prácticos y los laboratorios aplicados a casos de uso reales este es el único curso que necesitarás para aprender a implementar un ciclo completo de MLOps. Para ello, te guiaremos a través de las competencias de MLOps, compartiendo explicaciones claras y útiles consejos profesionales.


¿Qué incluye el curso?


  • Conceptos básicos y fundamentos de MLOps. Desafíos en la gestión tradicional del ciclo de vida del ML. Cómo MLOps aborda los problemas de subir a producción un modelo

  • Niveles de implantación del MLOps

  • Toolbox completo de MLOps. Aprenderemos algunas de las herramientas más novedosas de MLOps.

  • Seguimiento de experimentos y registro de modelos con MLFlow.

  • Automatización del ciclo de vida del modelo con Pycaret. Pycaret permite automatizar y facilitar gran parte del ciclo de MLOps, como el versionado de modelos, entrenamiento, evaluación y despliegue de modelos.

  • Interpretabilidad de modelos y deriva de datos.

  • Versionado de modelos

  • Puesta en producción de modelos.

  • Desarrollo de APIs con FastAPI. Aprenderemos a desarrollar una API para que podamos integrar nuestro modelo de ML en herramientas o software empresariales.

  • Desarrollo de una aplicaciones web con Gradio. Aprenderemos a desarrollar una aplicación web para que cualquier usuario de negocio pueda hacer uso del modelo.


Únete hoy y obtén acceso inmediato y de por vida a:

• Guía de formación de MLOps (e-book en PDF)

• Archivos, códigos y recursos descargables

• Laboratorios aplicados a casos de uso reales

• Ejercicios prácticos y cuestionarios

• Recursos como: Cheatsheets y resúmenes

• Soporte experto 1 a 1

• Foro de preguntas y respuestas del curso

• 30 días de garantía de devolución de dinero


Si estás listo para mejorar sus habilidades de MLOps, aumentar tus oportunidades laborales y convertirte en un profesional en ciencia de datos, te esperamos.

Content

Retos y evolución del Machine Learning

Introducción al Machine Learning
Beneficios del Machine Learning
Fundamentos del MLOps
Fundamentos de DevOps y DataOps

Fundamentos de MLOps

Problemas que resuelve el MLOps
Componentes del MLOps
Caja de herramientas de MLOps

Etapas del MLOps

Etapas del MLOps

Fase 1 de MLOps: Diseño de la solución

Diseño e implementación de Volere

Fase 2 de MLOps: Automatización del ciclo del modelo de ML

Fundamentos del AutoML
Desarrollo de un modelo de principio a fin con Pycaret
EDA y Preprocesamiento avanzado con Pycaret
Desarrollo de modelos avanzados (XGBoost, CatBoost, LightGBM) con Pycaret
Despliegue en producción con Pycaret

Fase 2 de MLOps: Registro y versionado del modelo

Registro y versionado de modelos con MLFlow
Registro de un modelo de Scikit-Learn con MLFlow
Registro del modelo de Pycaret con MLFlow

Interpretabilidad de modelos

Fundamentos de interpretabilidad con SHAP
Interpretando modelos de Scikit Learn con SHAP
Interpretando modelos con SHAP en Pycaret

Puesta en producción de modelos

Puesta en Producción de Modelos

Fase 3 de MLOps: Model serving a través de APIs

Fundamentos de las APIs y FastAPI
Funciones básicas, métodos y parámetros en FastAPI
Método POST, Documentación Swagger y Pydantic en FastAPI
Desarrollo de API para modelo de sickit-learn con FastAPI
Desarrollo automatizado de la API con Pycaret

Fase 3 de MLOps: Model serving con Aplicaciones Web

Servir el modelo a través de una Aplicación Web
Comandos básicos de Gradio
Desarrollo de una aplicación web de Gradio para Machine Learning
Desarrollo automatizado de la aplicación web con Pycaret

Reviews

Javier
August 16, 2023
El curso cumple con lo que promete al abordar de manera efectiva los conceptos básicos de MLOPs, además que muestra en simples palabras las herramientas disponibles y como hacer uso de ellas.
Diego
November 19, 2022
Hasta el momento hay muy poca profundidad en los conceptos y se limita a leer lo que está en la presentación.
Alejandro
September 23, 2022
Is really good. For me give many new skills for be more harder for support other things like be better in my job.
Ana
June 3, 2022
Excelente curso, resumen las librerías más importantes de MLOps de manera práctica, desarrollando un proyecto de principio a fin

Charts

Price

Fundamentos de MLOps (Machine Learning Operations) Hands On - Price chart

Rating

Fundamentos de MLOps (Machine Learning Operations) Hands On - Ratings chart

Enrollment distribution

Fundamentos de MLOps (Machine Learning Operations) Hands On - Distribution chart
4713714
udemy ID
6/1/2022
course created date
6/4/2022
course indexed date
Bot
course submited by