Curso de Amazon Sagemaker para Equipos de Machine Learning

Configuración de SageMaker Studio

Creación de roles IAM para SageMaker

Gestión de datos en Amazon S3 para proyectos ML

Instalación y configuración de AWS CLI

Exploración de SageMaker Notebooks

Uso de SDK de SageMaker en Python

Ejercicio práctico: Configuración de un entorno de trabajo

Opciones avanzadas de configuración para entornos colaborativos

Introducción a las instancias de entrenamiento y hosting

Optimización de costos en la configuración del entorno

Importación de datos desde S3 a SageMaker

Preprocesamiento de datos con Pandas y Numpy en SageMaker

Exploración de datos con herramientas integradas

Limpieza y transformación de datos

Generación de conjuntos de entrenamiento y validación

Ejercicio práctico: Pipeline de preprocesamiento de datos

Buenas prácticas para manejar datos desequilibrados

Gestión de grandes volúmenes de datos en S3

Uso de datos en tiempo real para modelos dinámicos

Validación y almacenamiento de datos preprocesados en S3

Selección de algoritmos integrados en SageMaker

Configuración de hiperparámetros para entrenamientos

Implementación de algoritmos personalizados con Docker

Uso de instancias distribuidas para entrenar modelos grandes

Ejercicio práctico: Entrenamiento de un modelo con algoritmos integrados

Evaluación de resultados del entrenamiento

Estrategias de optimización de hiperparámetros

Visualización de métricas de entrenamiento en SageMaker

Ajuste fino de modelos para mejorar la precisión

Manejo de errores comunes en el entrenamiento

Configuración de endpoints en SageMaker

Uso de SageMaker Hosting para modelos entrenados

Despliegue de modelos en tiempo real y batch

Configuración de balanceo de carga para endpoints

Ejercicio práctico: Despliegue de un modelo con endpoint

Monitoreo de modelos en producción

Gestión de versiones de modelos con Model Registry

Estrategias de escalabilidad para modelos en producción

Actualización y reemplazo de modelos en endpoints

Resolución de errores en despliegues

Introducción a MLOps y su importancia

Configuración de pipelines de Machine Learning con SageMaker Pipelines

Automatización del ciclo de vida de modelos

Gestión de experimentos con SageMaker Experiments

Integración con herramientas de CI/CD como CodePipeline

Ejercicio práctico: Creación de un pipeline básico

Uso de Git y repositorios para la gestión de modelos

Mejores prácticas para la reproducibilidad de modelos

Supervisión de modelos en producción

Escalabilidad de MLOps con SageMaker

Importación de modelos pre-entrenados a SageMaker

Ajuste fino de modelos personalizados con SageMaker

Implementación de redes neuronales avanzadas en SageMaker

Uso de TensorFlow y PyTorch en SageMaker

Ejercicio práctico: Ajuste fino de un modelo de TensorFlow

Gestión de dependencias para modelos personalizados

Estrategias para optimizar modelos personalizados

Integración con frameworks externos

Casos prácticos de modelos personalizados en producción

Buenas prácticas en la personalización de modelos

Uso de AWS Glue para la preparación de datos

Integración con Amazon Athena para consultas analíticas

Uso de Amazon Redshift para almacenamiento de datos

Implementación de AWS Lambda para funciones serverless

Ejercicio práctico: Integración de SageMaker con Glue

Gestión de logs y métricas con Amazon CloudWatch

Configuración de notificaciones con Amazon SNS

Uso de Amazon QuickSight para visualización de resultados

Implementación de flujos de trabajo con Step Functions

Buenas prácticas para integrar SageMaker con el ecosistema AWS

Métricas clave para evaluar modelos en SageMaker

Técnicas de validación cruzada

Interpretación de resultados con SHAP

Ajuste fino de hiperparámetros con SageMaker Tuner

Ejercicio práctico: Evaluación de un modelo en producción

Identificación de sesgos en modelos de aprendizaje automático

Optimización de modelos para entornos específicos

Uso de SageMaker Debugger para resolver problemas

Gestión de modelos no funcionales en producción

Estrategias avanzadas para optimización de modelos

Diseño de un pipeline completo de Machine Learning

Preparación de datos desde AWS Glue y S3

Implementación de un modelo pre-entrenado en SageMaker

Configuración de endpoints para predicción en tiempo real

Creación de un pipeline automatizado con MLOps

Monitorización del modelo con CloudWatch y SageMaker Model Monitor

Evaluación de resultados y ajuste fino del modelo

Presentación del proyecto en un entorno colaborativo

Documentación y mejores prácticas para el ciclo de vida del modelo

Reflexiones y próximos pasos en el uso de SageMaker