Uso de MLflow y Databricks para Desplegar Modelos de ML en Producción
via YouTube
YouTube
2338 Cursos
Resumen
Explora MLflow y Databricks para el despliegue de modelos de ML en producción. Aprende sobre la gestión integral, el seguimiento de modelos y las estrategias de despliegue, además del Feature Store y AutoML de Databricks.
Programa de estudio
-
- **Introducción a MLflow y Databricks**
-- Panorama general de MLflow
-- Introducción a la plataforma Databricks
-- Comprensión del flujo de trabajo de ML en producción
- **MLflow para la gestión de modelos**
-- Instalación y configuración de MLflow
-- Seguimiento de experimentos y ejecuciones
-- Gestión de modelos de ML con el registro de MLflow
- **Estrategias de despliegue de modelos**
-- Despliegue por lotes vs. Tiempo real
-- Desplegando modelos con MLflow
-- Gestión de versiones y revisiones de modelos
- **Integración de Databricks con MLflow**
-- Configuración de MLflow con Databricks
-- Registro y seguimiento de experimentos en Databricks
-- Utilización de Notebooks de Databricks para experimentos de ML
- **Feature Store de Databricks**
-- Introducción a los Feature Stores
-- Gestión de características en Databricks
-- Reutilización y compartición de características
- **AutoML en Databricks**
-- Panorama general de AutoML
-- Uso de AutoML de Databricks para entrenamiento automático de modelos
-- Evaluación y despliegue de modelos AutoML
- **Aplicación en el mundo real y estudios de caso**
-- Estudio de caso: Despliegue de modelos de extremo a extremo
-- Mejores prácticas para el despliegue de ML
-- Desafíos y resolución de problemas en producción
- **Conclusión y tendencias futuras**
-- Tendencias futuras en el despliegue de modelos de ML
-- Características avanzadas en Databricks y MLflow
-- Estrategias de aprendizaje y mejora continua
Enseñado por
Etiquetas