MLOps - Aprendizaje Automático Automatizado Hecho Fácil

Resumen

Explore técnicas de optimización de IA y ML para mejorar los resultados empresariales a través de la comprensión de datos y el mejoramiento de modelos.

Programa de estudio

• Introducción a MLOps
Visión general de MLOps y su importancia
Diferencias clave entre MLOps y DevOps tradicional
Beneficios empresariales de implementar MLOps
• Fundamentos del Aprendizaje Automático
Aprendizaje Supervisado vs. No Supervisado
Visión general de modelos populares de aprendizaje automático
Introducción a las métricas de evaluación de modelos
• Comprensión de Datos y Preprocesamiento
Recolección y exploración de datos
Limpieza y transformación de datos
Selección e ingeniería de características
• Selección y Entrenamiento de Modelos
Elegir el modelo adecuado para el problema
Técnicas de ajuste de hiperparámetros
Entrenamiento de modelos de aprendizaje automático robustos
• Evaluación y Validación de Modelos
Técnicas de validación cruzada
Compensación entre sesgo y varianza
Análisis de métricas de rendimiento
• Despliegue de Modelos de Aprendizaje Automático
Empaquetado de modelos con Docker y Kubernetes
Integración Continua/Despliegue Continuo (CI/CD) para modelos de aprendizaje automático
Soluciones de escalado para entornos de producción
• Monitoreo y Mantenimiento
Monitoreo del rendimiento del modelo en producción
Manejo del desvío de concepto y desvío de datos
Reentrenamiento y actualización de modelos
• Automatización en MLOps
Automatización de pipelines de aprendizaje automático con herramientas (por ejemplo, MLflow, Kubeflow)
Pruebas y validación automatizada de modelos
Aprovechamiento de Infraestructura como Código (IaC) para aprendizaje automático
• Estudios de Caso y Aplicaciones del Mundo Real
MLOps en comercio minorista, finanzas, atención médica
Estudio de caso: Pipeline completo de MLOps
Lecciones aprendidas de implementaciones de MLOps
• Tendencias Emergentes en MLOps
Explicabilidad y ética en IA
Aprendizaje automático preservador de la privacidad
Direcciones futuras en MLOps
• Revisión del Curso y Proyecto Integrador
Resumen y revisión del curso
Proyecto integrador: Construir y desplegar una solución de aprendizaje automático automatizada
Retroalimentación y cierre del curso

Asignaturas

Charlas de Conferencia