MLOps & ML Engineering
Lleva tus modelos de machine learning a producción. Aprende a experimentar, desplegar, orquestar y monitorear pipelines ML en entornos reales.
Requisitos previos
- ✅ Python intermedio
- ✅ Conocimientos básicos de ML
- ✅ Docker y línea de comandos
- ✅ 1+ año de experiencia programando
Stack que aprenderás
MLflow
Prefect
Docker
Flask
AWS Lambda
Kinesis
Prometheus
Grafana
Evidently
GitHub Actions
Terraform
MongoDB
Programa del Curso
1
Introducción a MLOps
- → ¿Qué es MLOps y por qué importa?
- → Modelo de madurez MLOps
- → Dataset NYC Taxi (caso de estudio real)
- → Configuración del entorno de trabajo
2
Experiment Tracking & Model Registry
- → Fundamentos de experiment tracking
- → MLflow: seguimiento de experimentos
- → Guardar y cargar modelos
- → Model Registry: gestión del ciclo de vida
3
Orquestación & ML Pipelines
- → ¿Qué es la orquestación de workflows?
- → Prefect para pipelines ML
- → Automatización de entrenamiento
4
Model Deployment
- → Online vs. offline deployment
- → Web service con Flask
- → Streaming: AWS Kinesis & Lambda
- → Batch scoring para producción
5
Model Monitoring
- → Monitoreo de servicios ML en producción
- → Stack: Prometheus + Grafana + Evidently
- → Detección de data drift
- → Batch monitoring con MongoDB
6
Best Practices
- → Unit e integration testing para ML
- → Linting, formatting y pre-commit hooks
- → CI/CD con GitHub Actions
- → Infrastructure as Code con Terraform
🏆
Proyecto Final
Proyecto end-to-end integrando todos los conceptos del curso: desde la experimentación hasta el despliegue y monitoreo en producción.
¿Listo para llevar tus modelos a producción?
Este curso es open source y self-paced. Accede al material en cualquier momento.
Material original: DataTalks.Club MLOps Zoomcamp (licencia open source)