Domina MLOps: De Datos a Despliegue en Producción con Kubernetes

What you will learn:

Ciclo de vida completo de un proyecto de ML: de datos a producción.
Utilizar MLflow para seguimiento de experimentos.
Ingeniería de datos y características con Jupyter Notebooks.
Empaquetar modelos con FastAPI y desplegar con Docker y Kubernetes.
Crear interfaces de usuario con Streamlit.
Automatizar pipelines con GitHub Actions y DockerHub.
Despliegue en producción con Seldon Core (mencionado implícitamente)
Monitorizar modelos con Prometheus y Grafana.
GitOps con ArgoCD para entrega continua.
Integración de prácticas DevOps en MLOps.

Description

Transforma tu carrera en el apasionante mundo de MLOps! Este bootcamp intensivo te guía paso a paso en la construcción de un proyecto de Machine Learning completo, desde la preparación de datos hasta el despliegue automatizado en un entorno de producción con Kubernetes. No se requieren conocimientos previos en MLOps.

Aprenderás a utilizar herramientas esenciales como MLflow para el seguimiento de experimentos, Docker para contenerización, y FastAPI para el desarrollo de APIs. Dominarás la automatización con GitHub Actions y la gestión de infraestructuras escalables con Kubernetes. Construirás una aplicación Streamlit para una interfaz de usuario intuitiva y monitorizarás tus despliegues con Prometheus y Grafana. El curso incluye un proyecto práctico de predicción de precios de vivienda, utilizando técnicas de ingeniería de datos y modelos de Machine Learning.

Este curso, originalmente en inglés, ha sido cuidadosamente traducido al español para ofrecer una experiencia de aprendizaje fluida y accesible. Obtendrás experiencia práctica con:

Ingeniería de datos y características.
Experimentación y optimización de modelos.
Contenedores Docker y Kubernetes.
Integración continua/entrega continua (CI/CD) con GitHub Actions.
Monitorización de modelos con Prometheus y Grafana.
Gestión de infraestructuras con GitOps y ArgoCD.

Al finalizar, estarás preparado para asumir roles de Ingeniero MLOps o puestos relacionados con la ingeniería de plataformas de IA. ¡Inscríbete ahora y comienza tu viaje hacia una carrera exitosa en MLOps!

Curriculum

Introducción a MLOps y el Proyecto

Este módulo inicial proporciona una base sólida en MLOps, explorando su evolución, comparándolo con DevOps, y presentando casos de estudio reales. Se analiza la arquitectura de un proyecto de predicción de precios de viviendas, se configura el entorno con Docker y MLflow, y se familiariza con las herramientas esenciales, incluyendo los notebooks Jupyter. Las lecciones abarcan desde la comprensión de conceptos básicos de MLOps hasta una visión detallada de la configuración del entorno de desarrollo.

Ciencia de Datos, Ingeniería de Características y Experimentación

Aquí se profundiza en las técnicas de ingeniería de datos y características, cruciales para la construcción de modelos robustos. Se realiza un análisis exploratorio de datos (EDA), se crean nuevas características para el modelo de predicción de precios, y se llevan a cabo experimentos para encontrar los mejores algoritmos y hiperparámetros. Se detalla el proceso de división de datos para entrenamiento y prueba, y se proporciona una comprensión profunda del proceso de selección de modelos.

Desarrollo y Contenización del Modelo

Este módulo se enfoca en el desarrollo y empaquetado del modelo de Machine Learning para su despliegue. Se construye y entrena el modelo final, se empaqueta con FastAPI para crear una API, y se desarrolla una aplicación Streamlit como interfaz de usuario. Se crea un Dockerfile para contenerizar la aplicación, asegurando la portabilidad y reproducibilidad del modelo. Se incluye la depuración y validación del modelo y la infraestructura del servidor con Docker Compose.

Automatización CI/CD con GitHub Actions

Se aprende a implementar un flujo de trabajo de Integración Continua/Entrega Continua (CI/CD) utilizando GitHub Actions. Se construyen workflows automatizados para el proceso de datos, entrenamiento del modelo, construcción y publicación de imágenes Docker en DockerHub. Se cubre la configuración de tokens para la autentificación y la creación de un flujo de trabajo modular y multietapa.

Despliegue en Kubernetes y Monitorización

En este módulo, se construye una infraestructura de inferencia escalable utilizando Kubernetes. Se aprende a desplegar la aplicación Streamlit y el modelo FastAPI, conectando ambos mediante el DNS de Kubernetes. Se exploran conceptos fundamentales de Kubernetes como Pods, Deployments y Servicios. Se concluye con la monitorización de los despliegues utilizando Prometheus y Grafana.

Deal Source: real.discount