Seguimiento del Entrenamiento de Modelos en Jupyter Notebooks con MLflow

Cuando se experimenta con modelos de aprendizaje automático, el seguimiento de diferentes hiperparámetros, ejecuciones de entrenamiento y métricas de evaluación puede volverse caótico rápidamente. Este curso, solo de texto, lo guía a través de la organización de su flujo de trabajo de aprendizaje automático integrando el seguimiento de MLflow directamente en sus Jupyter notebooks. Al leer explicaciones estructuradas y practicar con ejemplos de código escritos, transformará sus scripts experimentales no estructurados en un pipeline de aprendizaje automático reproducible y organizado. Ganará la confianza para comparar ejecuciones, administrar artefactos de modelos y pasar de experimentos locales a registros de modelos estructurados. Lo que aprenderá: * Comprender los conceptos fundamentales de MLOps, la terminología clave y la arquitectura de MLflow; * Configurar entornos de seguimiento de MLflow e inicializar ejecuciones dentro de Jupyter notebooks; * Registrar parámetros, métricas personalizadas y etiquetas de manera sistemática durante el entrenamiento del modelo; * Aplicar funciones de autologging para bibliotecas populares de aprendizaje automático para simplificar su código; * Administrar y versionar modelos entrenados utilizando el MLflow Model Registry; * Comparar ejecuciones de entrenamiento para identificar las configuraciones de modelo de mejor rendimiento. Comenzará aprendiendo los conceptos centrales del ciclo de vida del aprendizaje automático y configurando su entorno de seguimiento. A partir de ahí, el texto lo guiará a través de técnicas de registro manual y automático, culminando en la organización de sus experimentos y el registro de sus modelos finales. Este curso está diseñado para científicos de datos principiantes, entusiastas del aprendizaje automático y desarrolladores que estén familiarizados con Python básico y deseen organizar sus flujos de trabajo de modelado. No se requiere experiencia previa con MLflow o MLOps. Comience a leer hoy mismo para aportar estructura, reproducibilidad y claridad a sus experimentos de aprendizaje automático.