Curso de Azure ML para tu equipo — Adopción y despliegue

Introducción al portal de Azure

Configuración de un recurso de Azure Machine Learning

Instalación de Azure CLI y Azure ML SDK

Configuración del entorno local para desarrollo con Azure ML

Creación y configuración de un workspace en Azure ML Studio

Conexión a servicios adicionales como Azure Storage y Key Vault

Introducción a Azure Notebooks y Jupyter

Consideraciones de costos y cuotas en recursos de Azure

Seguridad y permisos en el entorno de trabajo

Ejercicio práctico: Configurar un entorno de machine learning en Azure

Importación y almacenamiento de datos en Azure Blob Storage

Uso de Azure Data Factory para preparar datos

Limpieza y transformación de datos con Azure ML Designer

Uso de pipelines para automatizar el preprocesamiento

Integración con Power BI para análisis exploratorio

Creación de datasets registrados en Azure ML Studio

Técnicas de imputación y manejo de valores faltantes

Normalización y estandarización de datos

Visualización de datos en Azure ML Studio

Ejercicio práctico: Preprocesamiento de datos en Azure ML Studio

Introducción a Azure ML Designer y su interfaz visual

Selección de algoritmos de machine learning en Azure

Configuración de parámetros en modelos predefinidos

Entrenamiento de modelos con datasets etiquetados

Validación y evaluación de modelos en Azure ML Designer

Uso de AutoML para optimización automática

Ejemplo práctico: Crear un modelo de clasificación con Azure ML Designer

Ajuste de hiperparámetros con Azure ML Designer

Comparación entre modelos creados manualmente y con AutoML

Ejercicio práctico: Construir y evaluar un modelo en Azure ML Designer

Introducción al Azure ML SDK para Python

Carga y exploración de datos desde Azure Blob Storage

Entrenamiento de modelos con scikit-learn en Azure

Uso de scripts personalizados en experimentos de Azure ML

Implementación de pipelines complejos en Python

Evaluación de modelos usando métricas personalizadas

Ejemplo práctico: Crear un modelo con Python y Azure ML SDK

Uso de GPUs y TPUs en Azure para acelerar el entrenamiento

Monitorización de experimentos y recursos con Python

Ejercicio práctico: Modelado avanzado con Python y Azure ML SDK

Importancia de la validación cruzada en machine learning

Uso de métricas estándar para clasificación y regresión

Implementación de validación cruzada en experimentos

Uso de gráficos de ROC y AUC para clasificación

Análisis de matrices de confusión en Azure ML

Comparación de métricas entre diferentes modelos

Identificación de sobreajuste y subajuste en Azure ML

Generación de reportes automáticos en Azure ML Studio

Ejemplo práctico: Evaluar un modelo con varias métricas en Azure ML

Ejercicio práctico: Comparar modelos usando métricas avanzadas

Conceptos básicos del despliegue de modelos

Creación de un endpoint en tiempo real en Azure ML

Configuración de contenedores Docker para el despliegue

Uso de AKS (Azure Kubernetes Service) para escalabilidad

Implementación de APIs REST para consumo del modelo

Monitorización y registro del rendimiento del endpoint

Actualización de modelos en endpoints existentes

Consideraciones de seguridad en el despliegue

Ejemplo práctico: Desplegar un modelo y consumirlo desde una aplicación

Ejercicio práctico: Configurar un endpoint en tiempo real en Azure

Conexión de modelos con Power BI para visualizaciones

Uso de Logic Apps para automatización de tareas

Integración con Azure Functions para tareas serverless

Configuración de notificaciones automáticas con Azure Monitor

Consumo de modelos desde aplicaciones web y móviles

Uso de Azure IoT Hub para machine learning en dispositivos IoT

Ejemplo práctico: Integrar un modelo con Power BI

Generación de predicciones en tiempo real desde aplicaciones

Automatización de procesos empresariales con Logic Apps

Ejercicio práctico: Crear una integración completa usando Azure

Introducción a MLOps y su importancia en machine learning

Automatización de pipelines con Azure DevOps

Uso de GitHub Actions para CI/CD en proyectos de Azure ML

Gestión de versiones de modelos en Azure ML Studio

Configuración de alertas y monitorización con Azure Monitor

Estrategias para manejo de cambios en modelos desplegados

Ejemplo práctico: Implementar un pipeline de MLOps con Azure ML

Mejores prácticas en MLOps con Azure

Ahorro de costos y optimización de recursos en MLOps

Ejercicio práctico: Crear un flujo de MLOps completo en Azure

Definición del caso de uso del proyecto

Preparación y limpieza de datos

Entrenamiento del modelo usando AutoML o Python

Evaluación de métricas y selección del modelo óptimo

Despliegue del modelo en un endpoint en tiempo real

Integración del modelo con servicios empresariales

Automatización de pipelines con MLOps

Presentación de resultados y visualización en Power BI

Documentación del proyecto final para stakeholders