Del Dato al Despliegue — Aprende MLOps Construyendo un Proyecto Real de Machine Learning con MLflow, Docker y Kubernetes
Sub Category
- Data Science
{inAds}
Objectives
- Comprender el ciclo de vida completo de un proyecto de machine learning desde el procesamiento de datos hasta el despliegue en producción.
- Configurar y utilizar MLflow para el seguimiento de experimentos.
- Aplicar técnicas de ingeniería de datos y características en notebooks de Jupyter.
- Empaquetar modelos de ML utilizando FastAPI y desplegarlos con Docker y Kubernetes.
- Construir interfaces visuales con Streamlit y conectarlas a modelos en producción.
- Automatizar pipelines de ML con GitHub Actions y gestionar imágenes de contenedores con DockerHub.
- Implementar modelos en producción con Seldon Core.
- Supervisar modelos en producción usando Prometheus y Grafana.
- Aplicar GitOps para entrega continua utilizando ArgoCD.
- Integrar prácticas de DevOps en flujos de trabajo de machine learning (MLOps)
Pre Requisites
- Conocimientos básicos de DevOps, incluyendo Docker, Git y CI/CD.
- Conocimientos básicos de DevOps, incluyendo Docker, Git y CI/CD.
- Experiencia básica con la línea de comandos y manejo de terminal.
- Idealmente, experiencia previa trabajando con Kubernetes (aunque se explican los conceptos clave durante el curso).
FAQ
- Q. How long do I have access to the course materials?
- A. You can view and review the lecture materials indefinitely, like an on-demand channel.
- Q. Can I take my courses with me wherever I go?
- A. Definitely! If you have an internet connection, courses on Udemy are available on any device at any time. If you don't have an internet connection, some instructors also let their students download course lectures. That's up to the instructor though, so make sure you get on their good side!
{inAds}
Coupon Code(s)