Curso MLOps (Machine Learning Operations) Fundamentals

• 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.

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.