Curso MLOps (Machine Learning Operations) Fundamentals

GC-MLOF

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.

Próximos inicios

No disponibles en este momento.

Objetivos

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.

Dirigido a

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.

Requisitos

Haber completado el curso Machine Learning on Google Cloud.

Contenidos

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

Material del curso

Documentación oficial para el curso MLOps (Machine Learning Operations) Fundamentals.

Perfil del docente

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.

Beneficios para tu formación

Haz click aquí y descubre los descuentos, promociones y ayudas disponibles para tu formación tecnológica.

Descargar programa

Descargar matrícula