Scribd
Cargar
74 vistas10 páginas

Curso Introductorio de MLOps y GCP

Este curso introduce el despliegue de modelos de machine learning. Cubre temas como la historia y estado del arte de MLOps, el flujo de vida de un modelo en producción, y requisitos para hacer MLOps. También presenta la arquitectura de un proyecto MLOps e implementa DVC.

Cargado por

haider infante
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd
74 vistas10 páginas

Curso Introductorio de MLOps y GCP

Este curso introduce el despliegue de modelos de machine learning. Cubre temas como la historia y estado del arte de MLOps, el flujo de vida de un modelo en producción, y requisitos para hacer MLOps. También presenta la arquitectura de un proyecto MLOps e implementa DVC.

Cargado por

haider infante
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como DOCX, PDF, TXT o lee en línea desde Scribd

CURSO DE INTRODUCCIÓN AL DESPLIEGUE DE MODELOS DE MACHINE LEARNING

INTRODUCCION

HISTORIA DEL MLOPS Y ESTADO DEL ARTE


FLUJO DE VIDA DE UN MODELO EN PRODUCCIÓN
REQUERIMIENTOS PARA PODER HACER MLOPS
PRESENTACIÓN Y ARQUITECTURA DEL PROYECTO MLOPS
REVISIÓN DE NOTEBOOKS Y MODELADO

DISTRIBUCIÓN ARCHIVOS Y CONTENIDO

¿QUÉ ES DVC Y POR QUE LO UTILIZAREMOS?


IMPLEMENTANDO DVC EN NUESTRO PROYECTO

INFORMACION IMPORTANTE

Fundamentos de Machine Learning y Estadísticas:

1. Conceptos Básicos de Machine Learning:


 Aprende los conceptos fundamentales de machine learning, como clasificación,
regresión, clustering y más.
2. Estadísticas y Álgebra Lineal:
 Refuerza tus conocimientos en estadísticas y álgebra lineal, ya que son fundamentales
para entender muchos algoritmos de machine learning.

Programación y Herramientas de Desarrollo:

3. Python:
 Aprende Python, ya que es el lenguaje de programación principal utilizado en machine
learning.
4. Jupyter Notebooks:
 Familiarízate con Jupyter Notebooks, una herramienta popular para desarrollo
interactivo.

Google Cloud Platform:

5. Fundamentos de Google Cloud Platform (GCP):


 Adquiere conocimientos básicos sobre GCP, incluyendo servicios como Cloud Storage,
BigQuery y Compute Engine.

Desarrollo de Modelos de Machine Learning en GCP:

6. AI Platform (antes Cloud ML Engine):


 Aprende a utilizar AI Platform para entrenar y desplegar modelos de machine learning.
7. Vertex AI:
 Explora los servicios avanzados de machine learning en Vertex AI, que abarcan todo el
ciclo de vida de los modelos.
8. AutoML:
 Comprende cómo utilizar AutoML para construir modelos sin necesidad de tener
experiencia en machine learning.

Servicios Complementarios y Escenarios Prácticos:

9. BigQuery ML:
 Aprende a construir modelos directamente en BigQuery utilizando SQL.
10. Cloud Dataflow y Cloud Composer:
 Comprende cómo construir pipelines de procesamiento de datos utilizando Cloud
Dataflow y cómo orquestar flujos de trabajo con Cloud Composer.

Implementación y Monitoreo:

11. Despliegue y Monitoreo de Modelos:


 Aprende a desplegar modelos en producción y cómo monitorear su rendimiento con
servicios como Cloud Monitoring y Cloud Logging.
12. Explainable AI (XAI) en Vertex AI:
 Explora herramientas para entender y explicar el comportamiento de los modelos.

Proyectos Prácticos:

13. Proyectos y Desafíos:


 Aplica tus conocimientos en proyectos prácticos y participa en desafíos de machine
learning para obtener experiencia práctica.

Recursos Adicionales y Actualizaciones:


14. Mantente Actualizado:
 Sigue blogs, documentación oficial y cursos en línea para mantenerte al día con las
últimas actualizaciones en GCP y machine learning.

También podría gustarte