Fundamentos de Sistemas de Producción de ML

Desarrollar un modelo de machine learning es solo la mitad de la batalla; implementarlo de manera confiable y eficiente en una aplicación del mundo real presenta desafíos únicos. Descubra cómo cerrar la brecha entre los modelos de machine learning experimentales y los sistemas robustos y de alto rendimiento listos para uso en producción. Este curso lo guiará a través de los principios fundamentales y los pasos prácticos necesarios para construir, implementar y monitorear modelos de machine learning que puedan operar de manera efectiva y escalable en entornos de producción. Lo que aprenderá: * Comprender el ciclo de vida de un sistema de producción de machine learning, desde la ingesta de datos hasta el servicio de modelos * Aplicar las mejores prácticas para estrategias de entrenamiento e inferencia de modelos estáticas y dinámicas * Configurar entornos de entrenamiento distribuidos utilizando herramientas como TensorFlow * Implementar principios fundamentales de MLOps para el versionado, despliegue y monitoreo de modelos * Utilizar los fundamentos de la contenerización para garantizar despliegues de modelos de ML consistentes y reproducibles * Evaluar métricas de rendimiento y desarrollar estrategias para el mantenimiento y reentrenamiento continuo de modelos * Explorar consideraciones de hardware especializadas para ML de alto rendimiento, como las TPUs El curso comienza con definiciones y conceptos centrales, avanza a través de varios patrones arquitectónicos y consideraciones prácticas de implementación, y concluye con estrategias para mantener la salud del modelo en producción. Este curso está diseñado para principiantes con una comprensión básica de los conceptos de machine learning que están listos para aprender a operacionalizar sus modelos. Comience a construir sistemas de machine learning confiables y escalables hoy mismo.