Introducción a MLOps: Diseño y Despliegue de Pipelines de Machine Learning

La transición de un modelo de machine learning de un notebook local a un entorno de producción confiable requiere más que solo buena ciencia de datos. Este curso basado en texto te introduce a los principios esenciales de Machine Learning Operations (MLOps), ayudándote a cerrar la brecha entre el desarrollo de modelos y la ingeniería de software. Pasarás de escribir código de machine learning aislado a diseñar pipelines automatizados, reproducibles y monitorizados. A través de explicaciones claras y guías escritas paso a paso, comprenderás cómo gestionar el versionado de datos, automatizar el entrenamiento de modelos y asegurar que tus despliegues permanezcan estables a lo largo del tiempo. Qué aprenderás: - Comprender el ciclo de vida central de MLOps y cómo difiere del DevOps tradicional. - Configurar el versionado básico de datos y modelos para asegurar la reproducibilidad. - Construir pipelines automatizados de entrenamiento y despliegue utilizando conceptos modernos de CI/CD. - Implementar estrategias de monitorización y observabilidad de modelos para detectar deriva y degradación del rendimiento. - Explorar principios fundamentales de containerización para empaquetar modelos de manera consistente. - Aplicar las mejores prácticas de gobernanza y seguridad a los flujos de trabajo de machine learning en producción. El curso comienza con la terminología esencial y los pilares fundamentales de MLOps antes de guiarte a través de la automatización de pipelines, la containerización y la monitorización post-despliegue. Trabajarás a través de ejercicios conceptuales y escenarios prácticos basados en texto para reforzar tu comprensión. Este curso está diseñado para aspirantes a científicos de datos, ingenieros de software y administradores de sistemas que son nuevos en MLOps. No se requiere experiencia previa en DevOps, aunque una comprensión básica de los conceptos de machine learning es útil. Comienza a construir pipelines de machine learning robustos y listos para producción hoy mismo.