Envíanos tu consulta
Términos y condiciones *
logoImagina
Catálogo 2025
Cursos¡Últimas plazas!ServiciosFUNDAETutorialesPlataforma LMS
Solicitar información
Formación
Modalidades
Próximas Convocatorias
Temario
FAQ
Solicitar información
Cursos de Data/Cursos de Machine Learning/Curso MLOps (Machine Learning Operations)
iconoCurso

Curso de MLOps (Machine Learning Operations)

DISPONIBLE EN MODALIDAD:
aMedidaIcon
Aula Virtual Personalizada
arrowRightDark

Este curso de MLOps (Machine Learning Operations) te enseñará a automatizar, gestionar y optimizar proyectos de machine learning en producción. Aprenderás a usar herramientas modernas, implementar pipelines de CI/CD y aplicar estrategias de monitorización para modelos en producción. Ideal para profesionales que buscan maximizar la eficiencia y el impacto de sus soluciones de machine learning.

iconClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClienticonClient

Formación en MLOps (Machine Learning Operations) bonificable para empresas

A quién va dirigido nuestro curso de MLOps (Machine Learning Operations)

Ingenieros de datos, científicos de datos y desarrolladores interesados en implementar soluciones de machine learning en producción mediante prácticas de MLOps.

Objetivos de nuestro curso de MLOps (Machine Learning Operations)

  • Comprender los conceptos clave de MLOps y su importancia en proyectos de machine learning.
  • Diseñar e implementar pipelines automatizados de machine learning con herramientas modernas.
  • Gestionar modelos de machine learning a lo largo de su ciclo de vida completo.
  • Aplicar prácticas de CI/CD y DevOps en proyectos de machine learning.
  • Implementar estrategias de monitorización, mantenimiento y escalabilidad en entornos de producción.

Qué vas a aprender en nuestro curso de MLOps (Machine Learning Operations)

Este curso de MLOps (Machine Learning Operations) te enseñará a automatizar, gestionar y optimizar proyectos de machine learning en producción. Aprenderás a usar herramientas modernas, implementar pipelines de CI/CD y aplicar estrategias de monitorización para modelos en producción. Ideal para profesionales que buscan maximizar la eficiencia y el impacto de sus soluciones de machine learning.

Requisitos de nuestro curso de MLOps (Machine Learning Operations)

  • Conocimientos intermedios de machine learning y desarrollo de software.
  • Familiaridad con herramientas de control de versiones como Git.
  • Experiencia previa en Python y bibliotecas como scikit-learn y TensorFlow.
  • Equipo con conexión a Internet, 16GB de RAM mínimo, y capacidad para ejecutar entornos virtuales y contenedores Docker.
  • Acceso a una cuenta en plataformas de nube como AWS, Azure o Google Cloud Platform.

Temario del curso de MLOps (Machine Learning Operations)

tema 1

Introducción a MLOps

  • ¿Qué es MLOps y por qué es importante?
  • Diferencias entre ML tradicional y ML en producción
  • Principales desafíos al implementar ML en producción
  • Componentes clave de MLOps: pipelines, monitorización y gestión de modelos
  • Integración de MLOps con DevOps y DataOps
  • Beneficios empresariales de adoptar MLOps
  • Roles y responsabilidades en un equipo de MLOps
  • Herramientas y frameworks populares en MLOps
  • Ejemplo práctico: Flujo completo de MLOps
  • Ejercicio práctico: Análisis de un caso de estudio en MLOps
iconArrowDown
tema 2

Configuración del entorno de trabajo

  • Configuración de Python y bibliotecas esenciales
  • Instalación y uso de Docker para contenedores
  • Introducción a Kubernetes y su rol en MLOps
  • Configuración de entornos en AWS, Azure o GCP
  • Uso de entornos virtuales y gestores de paquetes
  • Instalación de herramientas como MLflow y DVC
  • Configuración de un repositorio Git para control de versiones
  • Consideraciones de hardware y escalabilidad en entornos de producción
  • Introducción a las bases de datos para almacenamiento de modelos
  • Ejercicio práctico: Configurar un entorno completo para MLOps
iconArrowDown
tema 3

Gestión de datos en MLOps

  • Importancia de los datos en proyectos de machine learning
  • Uso de DVC para gestión de datos y versiones
  • Automatización de pipelines de datos con Apache Airflow
  • Integración de datos con sistemas de almacenamiento en nube
  • Estrategias para la limpieza y transformación de datos
  • Seguimiento de la calidad de los datos en producción
  • Gestión de datos sensibles y cumplimiento de regulaciones
  • Ejemplo práctico: Pipeline de datos con DVC y Airflow
  • Mejores prácticas para documentar pipelines de datos
  • Ejercicio práctico: Implementar un pipeline de datos en un proyecto
iconArrowDown
tema 4

Pipeline de Machine Learning

  • ¿Qué es un pipeline y por qué es esencial en MLOps?
  • Definición de etapas en un pipeline de ML
  • Automatización de pipelines con herramientas como Kubeflow
  • Configuración de pipelines escalables en Kubernetes
  • Implementación de pruebas unitarias para pipelines de ML
  • Estrategias de versionado para pipelines y modelos
  • Monitorización de la ejecución de pipelines en producción
  • Uso de orquestadores de tareas como Apache Airflow
  • Ejemplo práctico: Crear un pipeline básico de ML con Kubeflow
  • Ejercicio práctico: Optimización de un pipeline en la nube
iconArrowDown
tema 5

Entrenamiento de modelos en producción

  • Diseño de experimentos para entrenamiento de modelos
  • Uso de MLflow para seguimiento de experimentos
  • Gestión de recursos de computación para entrenamiento
  • Implementación de estrategias de validación cruzada
  • Optimización de hiperparámetros con frameworks como Optuna
  • Uso de GPUs y TPUs para acelerar el entrenamiento
  • Registro de modelos en sistemas de almacenamiento centralizado
  • Documentación y seguimiento del proceso de entrenamiento
  • Ejemplo práctico: Entrenamiento de un modelo en un entorno escalable
  • Ejercicio práctico: Optimización de un modelo con técnicas avanzadas
iconArrowDown
tema 6

Despliegue de modelos en producción

  • Métodos de despliegue: en tiempo real y por lotes
  • Uso de Docker y Kubernetes para despliegue de modelos
  • Implementación de endpoints de API para modelos en producción
  • Configuración de servidores escalables para modelos de ML
  • Uso de AWS SageMaker o Azure ML para despliegue
  • Monitorización de modelos en producción con Prometheus
  • Gestión de cambios y actualizaciones en modelos desplegados
  • Ejemplo práctico: Desplegar un modelo con Docker y Kubernetes
  • Estrategias de rollback y recuperación ante errores
  • Ejercicio práctico: Configurar un endpoint de modelo en producción
iconArrowDown
tema 7

Monitorización y mantenimiento de modelos

  • Importancia de la monitorización en MLOps
  • Métricas clave para evaluar el rendimiento del modelo
  • Uso de herramientas como Grafana y Prometheus para monitorización
  • Detección de deriva de datos y modelos
  • Implementación de alertas para cambios en rendimiento
  • Automatización de actualizaciones de modelos en producción
  • Uso de logs para análisis de fallos y auditoría
  • Ejemplo práctico: Configurar un sistema de monitorización para un modelo
  • Estrategias para mantenimiento proactivo de modelos
  • Ejercicio práctico: Diseñar un plan de mantenimiento para un modelo en producción
iconArrowDown
tema 8

Gestión de versiones en MLOps

  • Versionado de datos, código y modelos
  • Uso de Git y DVC para gestionar versiones en proyectos
  • Implementación de sistemas de control de versiones para modelos
  • Registro de experimentos y resultados con MLflow
  • Estrategias de versionado en entornos colaborativos
  • Integración de control de versiones con pipelines automatizados
  • Ejemplo práctico: Implementar control de versiones para un proyecto de ML
  • Documentación y seguimiento de versiones
  • Solución de conflictos en sistemas de versionado
  • Ejercicio práctico: Gestionar un proyecto de ML con control de versiones
iconArrowDown
tema 9

Implementación de MLOps en la nube

  • Introducción a servicios en la nube para MLOps
  • Comparativa entre AWS, Azure y GCP para MLOps
  • Configuración de entornos en la nube para proyectos de ML
  • Integración de servicios de almacenamiento, computación y monitorización
  • Uso de herramientas nativas de la nube como SageMaker y Vertex AI
  • Estrategias para optimización de costos en proyectos en la nube
  • Seguridad y cumplimiento en entornos de nube
  • Ejemplo práctico: Implementar un flujo de MLOps en AWS
  • Escalabilidad en entornos de nube para MLOps
  • Ejercicio práctico: Crear un pipeline completo en la nube
iconArrowDown
tema 10

Proyecto final: Implementación de un flujo de MLOps

  • Definición de un caso de uso empresarial
  • Preparación de datos para entrenamiento
  • Configuración de un pipeline de ML
  • Entrenamiento y registro de modelos en un sistema centralizado
  • Despliegue de un modelo en un entorno escalable
  • Implementación de monitorización y alertas para el modelo
  • Gestión de versiones de datos y modelos
  • Documentación y presentación de resultados
  • Solución de problemas y optimización del flujo
  • Evaluación del proyecto final y retroalimentación
iconArrowDown