Envíanos tu consulta
Términos y condiciones *
logoImagina
Formación
Modalidades
Próximas Convocatorias
Temario
FAQ
Solicitar información
iconoCurso

Curso de Azure ML

DISPONIBLE EN MODALIDAD:
aMedidaIcon
Aula Virtual Personalizada
arrowRightDark

Este curso de Machine Learning con Microsoft Azure te guiará paso a paso para dominar Azure Machine Learning Studio, el entrenamiento y despliegue de modelos en la nube. Aprende a integrar servicios de Azure, optimizar modelos y crear soluciones de machine learning escalables para tus proyectos empresariales. Ideal para profesionales de datos y desarrolladores que buscan maximizar el potencial de Azure en sus proyectos.

iconClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClient

Formación en Azure ML bonificable para empresas

A quién va dirigido nuestro curso de Azure ML

Profesionales de datos, analistas y desarrolladores interesados en crear soluciones de machine learning en la nube con Microsoft Azure.

Objetivos de nuestro curso de Azure ML

  • Comprender los conceptos fundamentales de Machine Learning y cómo se implementan en Microsoft Azure.
  • Aprender a usar Azure Machine Learning Studio y otros servicios relacionados.
  • Diseñar, implementar y entrenar modelos de machine learning en la nube de Azure.
  • Implementar soluciones de machine learning escalables e integradas con servicios de Azure.
  • Desplegar modelos y APIs de machine learning para aplicaciones empresariales.

Qué vas a aprender en nuestro curso de Azure ML

Este curso de Machine Learning con Microsoft Azure te guiará paso a paso para dominar Azure Machine Learning Studio, el entrenamiento y despliegue de modelos en la nube. Aprende a integrar servicios de Azure, optimizar modelos y crear soluciones de machine learning escalables para tus proyectos empresariales. Ideal para profesionales de datos y desarrolladores que buscan maximizar el potencial de Azure en sus proyectos.

Requisitos de nuestro curso de Azure ML

  • Conocimientos básicos de machine learning, estadísticas y Python.
  • Experiencia previa con plataformas en la nube (deseable Azure).
  • Equipo con acceso a Internet, navegador actualizado, mínimo de 8GB de RAM y capacidad para ejecutar herramientas de desarrollo en línea.
  • Cuenta activa de Microsoft Azure con permisos para crear recursos en Azure Machine Learning.
  • Instalación de Azure CLI, Python 3.x y bibliotecas como pandas, scikit-learn y Azure ML SDK.

Temario del curso de Azure ML

tema 1

Introducción al Machine Learning en Azure

  • ¿Qué es el Machine Learning y cómo funciona en Azure?
  • Ventajas de usar Azure para machine learning
  • Conceptos básicos: datasets, entrenamiento, evaluación y despliegue
  • Servicios principales de Azure para machine learning
  • Ejemplos de casos de uso exitosos en Azure
  • Introducción a Azure Machine Learning Studio
  • Diferencias entre Machine Learning en local y en la nube
  • Arquitectura general de soluciones de ML en Azure
  • Roles y responsabilidades en proyectos de ML en Azure
  • Ejercicio práctico: Crear una cuenta de Azure y explorar Azure Machine Learning Studio
iconArrowDown
tema 2

Configuración del entorno en Azure

  • Introducción al portal de Azure
  • Configuración de un recurso de Azure Machine Learning
  • Instalación de Azure CLI y Azure ML SDK
  • Configuración del entorno local para desarrollo con Azure ML
  • Creación y configuración de un workspace en Azure ML Studio
  • Conexión a servicios adicionales como Azure Storage y Key Vault
  • Introducción a Azure Notebooks y Jupyter
  • Consideraciones de costos y cuotas en recursos de Azure
  • Seguridad y permisos en el entorno de trabajo
  • Ejercicio práctico: Configurar un entorno de machine learning en Azure
iconArrowDown
tema 3

Preprocesamiento de datos en Azure

  • Importación y almacenamiento de datos en Azure Blob Storage
  • Uso de Azure Data Factory para preparar datos
  • Limpieza y transformación de datos con Azure ML Designer
  • Uso de pipelines para automatizar el preprocesamiento
  • Integración con Power BI para análisis exploratorio
  • Creación de datasets registrados en Azure ML Studio
  • Técnicas de imputación y manejo de valores faltantes
  • Normalización y estandarización de datos
  • Visualización de datos en Azure ML Studio
  • Ejercicio práctico: Preprocesamiento de datos en Azure ML Studio
iconArrowDown
tema 4

Creación de modelos con Azure ML Designer

  • Introducción a Azure ML Designer y su interfaz visual
  • Selección de algoritmos de machine learning en Azure
  • Configuración de parámetros en modelos predefinidos
  • Entrenamiento de modelos con datasets etiquetados
  • Validación y evaluación de modelos en Azure ML Designer
  • Uso de AutoML para optimización automática
  • Ejemplo práctico: Crear un modelo de clasificación con Azure ML Designer
  • Ajuste de hiperparámetros con Azure ML Designer
  • Comparación entre modelos creados manualmente y con AutoML
  • Ejercicio práctico: Construir y evaluar un modelo en Azure ML Designer
iconArrowDown
tema 5

Uso de Python y Azure ML SDK para modelado avanzado

  • Introducción al Azure ML SDK para Python
  • Carga y exploración de datos desde Azure Blob Storage
  • Entrenamiento de modelos con scikit-learn en Azure
  • Uso de scripts personalizados en experimentos de Azure ML
  • Implementación de pipelines complejos en Python
  • Evaluación de modelos usando métricas personalizadas
  • Ejemplo práctico: Crear un modelo con Python y Azure ML SDK
  • Uso de GPUs y TPUs en Azure para acelerar el entrenamiento
  • Monitorización de experimentos y recursos con Python
  • Ejercicio práctico: Modelado avanzado con Python y Azure ML SDK
iconArrowDown
tema 6

Validación y métricas de evaluación en Azure

  • Importancia de la validación cruzada en machine learning
  • Uso de métricas estándar para clasificación y regresión
  • Implementación de validación cruzada en experimentos
  • Uso de gráficos de ROC y AUC para clasificación
  • Análisis de matrices de confusión en Azure ML
  • Comparación de métricas entre diferentes modelos
  • Identificación de sobreajuste y subajuste en Azure ML
  • Generación de reportes automáticos en Azure ML Studio
  • Ejemplo práctico: Evaluar un modelo con varias métricas en Azure ML
  • Ejercicio práctico: Comparar modelos usando métricas avanzadas
iconArrowDown
tema 7

Despliegue de modelos en Azure

  • Conceptos básicos del despliegue de modelos
  • Creación de un endpoint en tiempo real en Azure ML
  • Configuración de contenedores Docker para el despliegue
  • Uso de AKS (Azure Kubernetes Service) para escalabilidad
  • Implementación de APIs REST para consumo del modelo
  • Monitorización y registro del rendimiento del endpoint
  • Actualización de modelos en endpoints existentes
  • Consideraciones de seguridad en el despliegue
  • Ejemplo práctico: Desplegar un modelo y consumirlo desde una aplicación
  • Ejercicio práctico: Configurar un endpoint en tiempo real en Azure
iconArrowDown
tema 8

Integración de Machine Learning con servicios de Azure

  • Conexión de modelos con Power BI para visualizaciones
  • Uso de Logic Apps para automatización de tareas
  • Integración con Azure Functions para tareas serverless
  • Configuración de notificaciones automáticas con Azure Monitor
  • Consumo de modelos desde aplicaciones web y móviles
  • Uso de Azure IoT Hub para machine learning en dispositivos IoT
  • Ejemplo práctico: Integrar un modelo con Power BI
  • Generación de predicciones en tiempo real desde aplicaciones
  • Automatización de procesos empresariales con Logic Apps
  • Ejercicio práctico: Crear una integración completa usando Azure
iconArrowDown
tema 9

MLOps en Azure

  • Introducción a MLOps y su importancia en machine learning
  • Automatización de pipelines con Azure DevOps
  • Uso de GitHub Actions para CI/CD en proyectos de Azure ML
  • Gestión de versiones de modelos en Azure ML Studio
  • Configuración de alertas y monitorización con Azure Monitor
  • Estrategias para manejo de cambios en modelos desplegados
  • Ejemplo práctico: Implementar un pipeline de MLOps con Azure ML
  • Mejores prácticas en MLOps con Azure
  • Ahorro de costos y optimización de recursos en MLOps
  • Ejercicio práctico: Crear un flujo de MLOps completo en Azure
iconArrowDown
tema 10

Proyecto final: Desarrollo de una solución completa

  • Definición del caso de uso del proyecto
  • Preparación y limpieza de datos
  • Entrenamiento del modelo usando AutoML o Python
  • Evaluación de métricas y selección del modelo óptimo
  • Despliegue del modelo en un endpoint en tiempo real
  • Integración del modelo con servicios empresariales
  • Automatización de pipelines con MLOps
  • Presentación de resultados y visualización en Power BI
  • Documentación del proyecto final para stakeholders
iconArrowDown