La transformacio虂n digital trajo consigo un auge de las soluciones informa虂ticas, muchas de las cuales empezaron a producirse a una velocidad demasiado ra虂pida para el modo tradicional de operarlas. Ante ello, como respuesta surgen las metodologi虂as a虂giles y las pra虂cticas DevOps. Y en la misma li虂nea, aparecieron los ciclos de vida del Machine Learning y las pra虂cticas de MLOPs.
Hoy en di虂a los data scientist trabajan de la mano con los perfiles de machine learning engineer para poner en produccio虂n los modelos anali虂ticos y mejorarlos continuamente. Este curso introduce a los participantes en las buenas pra虂cticas y herramientas MLOPs para desplegar, evaluar, monitorear y operacionalizar sistemas de machine learning.
Pre-requisitos: Conocimientos en programacio虂n a nivel ba虂sico/intermedio y conocimientos y experiencia en el desarrollo de modelos de machine learning.
Objetivo General: Aprender a desarrollar, entrenar y desplegar modelos de ML con procedimientos automatizados que integren a los equipos de data, desarrolladores, seguridad e infraestructura, con el fin de acelerar el proceso de creaci贸n de valor.
Objetivos espec铆ficos:聽
- Identificar y usar tecnologi虂as core requeridas para soportar MLOps.
- Adoptar buenas pra虂cticas de integracio虂n continua y distribucio虂n continua (CI/CD) en el contexto de sistemas de machine learning.
Configurar y aprovisionar arquitecturas para ambientes de MLOps confiables y efectivos. - Desarrollar flujos de reentrenamiento e inferencia con confiabilidad.
Resumen del contenido:
- Ingenier铆a de Software para la ciencia de datos.
- Ingenier铆a de datos (ML).
- Desarrollo y evaluaci贸n de modelos (ML).
- Entrenamiento y Debugging (ML).
- Testing y deployment (OPS).
- Deployment y monitoring (OPS).
- ML Governance (ML+OPS)
Julio Bernal
Inversi贸n:
S/595.00
S/850.00
Inicio:
08/01/2024
Fin: 29/01/24
28 hrs. acad茅micas
Online, 100% en vivo
7 sesiones
Lu - Mi / 7:30PM - 10:30PM
Certificado de aprobaci贸n
