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

Resumen

Explore MLflow and Databricks for production ML model deployment. Learn end-to-end management, model tracking, and deployment strategies, plus Databricks' Feature Store and AutoML.

Programa

• **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

---

Materias

Data Science