Curso de MLOps (Machine Learning Operations) para tu equipo

Configuración de Python y bibliotecas esenciales

Instalación y uso de Docker para contenedores

Introducción a Kubernetes y su rol en MLOps

Configuración de entornos en AWS, Azure o GCP

Uso de entornos virtuales y gestores de paquetes

Instalación de herramientas como MLflow y DVC

Configuración de un repositorio Git para control de versiones

Consideraciones de hardware y escalabilidad en entornos de producción

Introducción a las bases de datos para almacenamiento de modelos

Ejercicio práctico: Configurar un entorno completo para MLOps

Importancia de los datos en proyectos de machine learning

Uso de DVC para gestión de datos y versiones

Automatización de pipelines de datos con Apache Airflow

Integración de datos con sistemas de almacenamiento en nube

Estrategias para la limpieza y transformación de datos

Seguimiento de la calidad de los datos en producción

Gestión de datos sensibles y cumplimiento de regulaciones

Ejemplo práctico: Pipeline de datos con DVC y Airflow

Mejores prácticas para documentar pipelines de datos

Ejercicio práctico: Implementar un pipeline de datos en un proyecto

¿Qué es un pipeline y por qué es esencial en MLOps?

Definición de etapas en un pipeline de ML

Automatización de pipelines con herramientas como Kubeflow

Configuración de pipelines escalables en Kubernetes

Implementación de pruebas unitarias para pipelines de ML

Estrategias de versionado para pipelines y modelos

Monitorización de la ejecución de pipelines en producción

Uso de orquestadores de tareas como Apache Airflow

Ejemplo práctico: Crear un pipeline básico de ML con Kubeflow

Ejercicio práctico: Optimización de un pipeline en la nube

Diseño de experimentos para entrenamiento de modelos

Uso de MLflow para seguimiento de experimentos

Gestión de recursos de computación para entrenamiento

Implementación de estrategias de validación cruzada

Optimización de hiperparámetros con frameworks como Optuna

Uso de GPUs y TPUs para acelerar el entrenamiento

Registro de modelos en sistemas de almacenamiento centralizado

Documentación y seguimiento del proceso de entrenamiento

Ejemplo práctico: Entrenamiento de un modelo en un entorno escalable

Ejercicio práctico: Optimización de un modelo con técnicas avanzadas

Métodos de despliegue: en tiempo real y por lotes

Uso de Docker y Kubernetes para despliegue de modelos

Implementación de endpoints de API para modelos en producción

Configuración de servidores escalables para modelos de ML

Uso de AWS SageMaker o Azure ML para despliegue

Monitorización de modelos en producción con Prometheus

Gestión de cambios y actualizaciones en modelos desplegados

Ejemplo práctico: Desplegar un modelo con Docker y Kubernetes

Estrategias de rollback y recuperación ante errores

Ejercicio práctico: Configurar un endpoint de modelo en producción

Importancia de la monitorización en MLOps

Métricas clave para evaluar el rendimiento del modelo

Uso de herramientas como Grafana y Prometheus para monitorización

Detección de deriva de datos y modelos

Implementación de alertas para cambios en rendimiento

Automatización de actualizaciones de modelos en producción

Uso de logs para análisis de fallos y auditoría

Ejemplo práctico: Configurar un sistema de monitorización para un modelo

Estrategias para mantenimiento proactivo de modelos

Ejercicio práctico: Diseñar un plan de mantenimiento para un modelo en producción

Versionado de datos, código y modelos

Uso de Git y DVC para gestionar versiones en proyectos

Implementación de sistemas de control de versiones para modelos

Registro de experimentos y resultados con MLflow

Estrategias de versionado en entornos colaborativos

Integración de control de versiones con pipelines automatizados

Ejemplo práctico: Implementar control de versiones para un proyecto de ML

Documentación y seguimiento de versiones

Solución de conflictos en sistemas de versionado

Ejercicio práctico: Gestionar un proyecto de ML con control de versiones

Introducción a servicios en la nube para MLOps

Comparativa entre AWS, Azure y GCP para MLOps

Configuración de entornos en la nube para proyectos de ML

Integración de servicios de almacenamiento, computación y monitorización

Uso de herramientas nativas de la nube como SageMaker y Vertex AI

Estrategias para optimización de costos en proyectos en la nube

Seguridad y cumplimiento en entornos de nube

Ejemplo práctico: Implementar un flujo de MLOps en AWS

Escalabilidad en entornos de nube para MLOps

Ejercicio práctico: Crear un pipeline completo en la nube

Definición de un caso de uso empresarial

Preparación de datos para entrenamiento

Configuración de un pipeline de ML

Entrenamiento y registro de modelos en un sistema centralizado

Despliegue de un modelo en un entorno escalable

Implementación de monitorización y alertas para el modelo

Gestión de versiones de datos y modelos

Documentación y presentación de resultados

Solución de problemas y optimización del flujo

Evaluación del proyecto final y retroalimentación