Automatización de trabajos de Azure Machine Learning con GitHub Actions

Los flujos de trabajo manuales de machine learning ralentizan la implementación e introducen errores. La transición a MLOps automatizado garantiza que sus modelos se entrenen, prueben y actualicen de manera confiable cada vez que cambie su código. Este curso basado en texto lo guiará a través del proceso de configuración de pipelines automatizados. Leerá explicaciones claras, estudiará configuraciones YAML estructuradas y aprenderá a conectar su repositorio a recursos en la nube para activar ejecuciones de entrenamiento automáticamente. Lo que aprenderá: - Comprender los principios centrales de MLOps y los fundamentos de la automatización de flujos de trabajo - Configurar conexiones seguras entre su repositorio y entornos en la nube utilizando la gestión moderna de credenciales - Escribir flujos de trabajo de GitHub Actions para automatizar la ejecución de trabajos de Azure Machine Learning - Administrar activos de datos, entornos y registro de modelos a través de scripts automatizados - Monitorear el estado del trabajo y manejar errores dentro de su pipeline de integración continua Comenzando con la terminología fundamental de MLOps y la configuración de credenciales, el curso avanza paso a paso a través de la escritura de archivos de flujo de trabajo, la configuración de activadores y la gestión de salidas. Trabajará con ejemplos escritos y fragmentos de código prácticos para construir un pipeline de automatización funcional. Este curso está diseñado para científicos de datos, desarrolladores de software e ingenieros de DevOps aspirantes que son nuevos en MLOps. No se requiere experiencia previa con pipelines automatizados, aunque una comprensión básica de los conceptos de machine learning es útil. Comience a leer hoy mismo para optimizar sus flujos de trabajo de machine learning con prácticas de automatización modernas.