Ciencia de datos práctica: creación de canalizaciones de ML listas para la producción

Muchos aspirantes a científicos de datos pueden entrenar un modelo en un Jupyter Notebook, pero tienen dificultades para convertirlo en un sistema confiable y listo para la producción.Cerrar la brecha entre los datos en bruto y una API en vivo y monitoreada es la clave para crear valor en el mundo real. Este curso basado en texto lo guía a través de todo el ciclo de vida del aprendizaje automático, ayudándole a pasar del análisis de datos exploratorios a la creación de canalizaciones automatizadas, la implementación de API de inferencia y el establecimiento de bucles de monitoreo robustos. Lo que aprenderás: - Comprender los fundamentos de enmarcar los problemas de ML y configurar entornos de proyectos limpios. - Realizar análisis de datos exploratorios (EDA) e ingeniería de características robustas para preparar conjuntos de datos de alta calidad. - Entrenar y evaluar modelos de aprendizaje automático mientras se realiza un seguimiento sistemático de los experimentos. - Cree API de inferencia livianas para servir sus modelos a aplicaciones externas. - Implemente flujos de trabajo básicos de CI / CD y pruebas automatizadas con pytest para su código de aprendizaje automático. - Configurar sistemas de monitoreo para rastrear el rendimiento del modelo y detectar la deriva en la producción. Comenzará con las definiciones básicas, aprenderá a estructurar proyectos de ML y configurar entornos reproducibles, y a partir de ahí, leerá implementaciones paso a paso de canalizaciones de datos, estrategias de implementación de modelos y prácticas de integración continua. Este curso está diseñado para científicos de datos principiantes, desarrolladores de software y analistas que buscan construir sistemas de ML de extremo a extremo, que solo requieren familiaridad básica con Python.Comience a leer hoy para sacar sus modelos de aprendizaje automático del cuaderno y ponerlos en producción.