Calendario
Estamos preparando nuevas convocatorias, déjanos tus datos a través del formulario y te avisaremos en cuanto estén disponibles.
Acerca del curso
El curso MLOps (Machine Learning Operations) Fundamentals te ofrece las herramientas y mejores prácticas de MLOps para implementar, evaluar, monitorear y operar sistemas de ML de producción en Google Cloud. MLOps es una disciplina enfocada en la implementación, prueba, monitoreo y automatización de sistemas ML en producción. Los profesionales de Machine Learning Engineering utilizan herramientas para la mejora continua y la evaluación de los modelos implementados. Trabajan con científicos de datos (o son científicos de datos) que desarrollan modelos para permitir la velocidad y el rigor en la implementación de las mejores soluciones de machine learning.
- Científicos de datos que busquen pasar rápidamente del prototipo de machine learning a la producción para lograr un impacto comercial.
- Ingenieros de software que busquen desarrollar habilidades de ingeniería de machine learning.
- Ingenieros de machine learning que deseen adoptar Google Cloud.
- Identificar y utilizar las tecnologías básicas necesarias para respaldar MLOps efectivos.
- Configurar y aprovisionar arquitecturas de Google Cloud para entornos de MLOps confiables y efectivos.
- Implementar flujos de trabajo de inferencia y capacitación confiables y repetibles.
- Adoptar las mejores prácticas de CI/CD en el contexto de los sistemas de ML.
- Operar modelos de machine learning implementados de manera efectiva y eficiente.
Haber completado el curso Machine Learning on Google Cloud.
Módulo 1: Why and When do we need MLOps
- Discuss Data Scientists’ pain points
- Identify ML Engineering characteristics and challenges
- Define how Google Cloud can help with MLOps
- Recognize how MLOps differs from manual ML management
- Compare and contrast DevOps vs MLOps
Módulo 2: Understanding the Main Kubernetes Components (Optional)
- Define what is a Docker container
- Create Docker containers
- Identify the architecture of Kubernetes: pods, namespaces
- Create Docker containers using Google Container Builder
- Store container images in Google Container Registry
- Create a Kubernetes Engine cluster
- Manage Kubernetes deployments
Módulo 3: Introduction to AI Platform Pipelines
- Identify the benefits and opportunities of AI Pipelines
- Define Access Controls within AI Pipelines
- Recognize pipeline components
- List pipeline workflows
- Set up AI Platform Pipelines
- Create a machine learning pipeline
- Run a machine learning pipeline
- Connect to AI Platform Pipelines using the Kubeflow Pipelines SDK
- Configure a Google Kubernetes Engine cluster for AI Platform Pipelines
Módulo 4: Training, Tuning and Serving on AI Platform
- Identify the main concepts of MLOps on AI Platform
- Create a reproducible dataset
- Implement a tunable model
- Build and push a training container
- Train and tune a model
- Serve and query a model
Módulo 5: Kubeflow Pipelines on AI Platform
- Recognize how Kubeflow Pipelines fits in MLOps
- Describe a Kubeflow Pipeline with KF DSL
- Use the various Kubeflow components
- Compile, upload, and run a pipeline build in Kubeflow Pipelines
Módulo 6: CI/CD for Kubeflow Pipelines on AI Platform
- Create Cloud Build Builders
- Configure pipelines with Cloud Build
- Create triggers for training models using Cloud Build Triggers
- Adopt the best CI/CD practices in the context of ML systems
Módulo 7: Summary
- Summarize the course
Documentación oficial para el curso MLOps (Machine Learning Operations) Fundamentals.
- Formador certificado por Google Cloud.
- Más de 5 años de experiencia profesional.
- Más de 4 años de experiencia docente.
- Profesional activo en empresas del sector IT.
Solicita información
Descargar programa
Descargar matrícula
Si no has encontrado lo que buscabas, prueba buscar tu curso o certificación aquí
