Fundamentos de MLOps: Pipelines Automatizados con Kubernetes y Herramientas Cloud

Escalar el machine learning desde un notebook a un entorno de producción requiere más que solo código; requiere un marco operativo robusto. Este curso proporciona un camino claro para aquellos que buscan cerrar la brecha entre la ciencia de datos y la ingeniería de software confiable. Aprenderás a transformar modelos estáticos en servicios escalables y automatizados que puedan manejar las demandas de datos del mundo real. Al final de este curso, podrás diseñar y mantener flujos de trabajo de MLOps de extremo a extremo utilizando herramientas estándar de la industria. Pasarás de comprender el versionado básico a implementar estrategias complejas de orquestación de contenedores e integración continua. Lo que aprenderás: - Comprender los principios centrales de MLOps y el ciclo de vida del machine learning de grado de producción. - Gestionar el versionado de datos y código utilizando DVC y Git para asegurar la reproducibilidad del proyecto. - Automatizar flujos de trabajo de entrenamiento y despliegue de modelos con herramientas CI/CD como Jenkins y GitHub Actions. - Contenerizar aplicaciones de machine learning con Docker y orquestarlas usando Kubernetes. - Rastrear experimentos y gestionar versiones de modelos con MLFlow y registros centralizados. - Monitorizar el rendimiento del modelo y detectar la deriva de datos utilizando Prometheus y Grafana. - Aplicar patrones modernos de MLOps, incluyendo observabilidad básica de LLM y gestión de datos vectoriales. El curso comienza con definiciones fundamentales y terminología clave antes de guiarte a través de la aplicación práctica de la automatización, la contenerización y la monitorización. Trabajarás a través de explicaciones escritas y ejercicios basados en código que simulan escenarios de producción del mundo real. Este curso está diseñado para principiantes en ciencia de datos, ingeniería de software o DevOps que deseen aprender el lado operativo del machine learning. No se requiere experiencia previa con herramientas de MLOps. Comienza a construir infraestructura de machine learning escalable y confiable hoy mismo.