Uso de MLflow y Databricks para Desplegar Modelos de ML en Producción

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