Duración:
30 horas
Descripción del Curso:
Este curso está diseñado para aquellos que ya tienen una base en Machine Learning y desean profundizar en las capas tecnológicas y de producto que sustentan estos sistemas. A lo largo de 30 horas, los participantes explorarán los componentes esenciales de la infraestructura de Machine Learning, abarcando desde el manejo de datos y herramientas populares, hasta el diseño de pipelines eficientes y estrategias de despliegue en entornos en la nube y on-premise.
Objetivos del Curso:
- Comprender los componentes clave de la infraestructura tecnológica para Machine Learning.
- Diseñar y construir un pipeline de datos eficiente para el entrenamiento y despliegue de modelos, utilizando herramientas como Jupyter, Docker y Kubernetes.
- Evaluar y seleccionar ecosistemas y tecnologías adecuadas para diferentes etapas del ciclo de vida de un modelo, incluyendo opciones en la nube como Amazon Web Services y Microsoft Azure.
- Implementar estrategias de despliegue y monitoreo que garanticen el rendimiento y la escalabilidad de los modelos en producción.
- Considerar aspectos de seguridad y ética en el manejo de datos y en la implementación de soluciones de Machine Learning.
Metodología:
El curso combina teoría y práctica, con ejemplos concretos y ejercicios aplicados que permitirán a los participantes familiarizarse con las tecnologías vistas.
Dirigido a:
Este curso está dirigido a profesionales que ya tienen una comprensión básica de Machine Learning y familiaridad con programación en Python y conceptos de ingeniería de datos.