What
You’ll Learn
You’ll Learn
- Comprender el ciclo de vida completo de un proyecto de machine learning desde el procesamiento de datos hasta el despliegue en producción.
- Configurar y utilizar MLflow para el seguimiento de experimentos.
- Aplicar técnicas de ingeniería de datos y características en notebooks de Jupyter.
- Empaquetar modelos de ML utilizando FastAPI y desplegarlos con Docker y Kubernetes.
- Construir interfaces visuales con Streamlit y conectarlas a modelos en producción.
- Automatizar pipelines de ML con GitHub Actions y gestionar imágenes de contenedores con DockerHub.
- Implementar modelos en producción con Seldon Core.
- Supervisar modelos en producción usando Prometheus y Grafana.
- Aplicar GitOps para entrega continua utilizando ArgoCD.
- Integrar prácticas de DevOps en flujos de trabajo de machine learning (MLOps)
Requirements
- Conocimientos básicos de DevOps
- incluyendo Docker
- Git y CI/CD.
- Conocimientos básicos de DevOps
- incluyendo Docker
- Git y CI/CD.
- Experiencia básica con la línea de comandos y manejo de terminal.
- Idealmente
- experiencia previa trabajando con Kubernetes (aunque se explican los conceptos clave durante el curso).
Description
Nota: Este curso ha sido traducido del inglés al español con la ayuda de inteligencia artificial para facilitar el acceso a una audiencia hispanohablante. (AI)
Este bootcamp práctico está diseñado para ayudar a Ingenieros DevOps y profesionales de infraestructura a realizar la transición hacia el creciente campo de MLOps. Con la rápida integración de la IA y el aprendizaje automático en las aplicaciones modernas, MLOps se ha convertido en el puente esencial entre los modelos de machine learning y los sistemas de producción.
En este curso, trabajarás en un caso de uso del mundo real — predicción de precios de viviendas — y lo llevarás desde el procesamiento de datos hasta el despliegue en producción sobre Kubernetes. Comenzarás configurando tu entorno con Docker y MLFlow para el seguimiento de experimentos. Comprenderás el ciclo de vida del machine learning y obtendrás experiencia práctica en ingeniería de datos, ingeniería de características y experimentación de modelos utilizando notebooks de Jupyter.
Luego, empaquetarás el modelo con FastAPI y lo desplegarás junto a una interfaz de usuario basada en Streamlit. Escribirás workflows de GitHub Actions para automatizar tu pipeline de ML para CI y utilizarás DockerHub para publicar tus contenedores de modelos.
En etapas posteriores, construirás una infraestructura de inferencia escalable utilizando Kubernetes, expondrás servicios y conectarás interfaces frontend y backend mediante descubrimiento de servicios. Explorarás la implementación de modelos a nivel de producción con Seldon Core y supervisarás tus despliegues con paneles de Prometheus y Grafana.
Finalmente, explorarás la entrega continua basada en GitOps usando ArgoCD para gestionar y desplegar cambios en tu clúster de Kubernetes de forma limpia y automatizada.
Al finalizar este curso, estarás equipado con el conocimiento y la experiencia práctica para operar y automatizar flujos de trabajo de machine learning utilizando prácticas de DevOps — preparándote para roles profesionales en MLOps e Ingeniería de Plataformas de IA.
Who this course is for:
- Ingenieros DevOps que buscan expandir sus habilidades hacia el campo de MLOps.
- Profesionales de infraestructura interesados en automatizar flujos de trabajo de machine learning.
- Desarrolladores o arquitectos de software que quieren entender cómo desplegar modelos de ML en producción.
- Estudiantes o autodidactas que desean adquirir experiencia práctica en el ciclo de vida completo de proyectos de ML aplicando prácticas de DevOps.
