En este curso, se presentan a los participantes las herramientas y prácticas recomendadas de MLOps para implementar, evaluar, supervisar y operar sistemas de AA de producción en Google Cloud. Las MLOps son una disciplina enfocada en la implementación, prueba, supervisión y automatización de sistemas de AA en producción. Los ingenieros profesionales de aprendizaje automático usan herramientas para mejorar y evaluar continuamente los modelos implementados. Trabajan con científicos de datos (o pueden serlo) que desarrollan modelos para ofrecer velocidad y rigor en la implementación de modelos con el mejor rendimiento.
Overview
Syllabus
- Introducción a MLOps Fundamentals
- En este módulo, se proporciona una descripción general del curso
- Cuándo y por qué emplear las MLOps
- En este módulo, estudiaremos el aprendizaje automático desde la perspectiva de las operaciones, lo que significa observar todo el sistema, desde definir el problema hasta diseñar la solución.
- Información sobre los componentes principales de Kubernetes (opcional)
- Este módulo es opcional.
- Introducción a AI Platform Pipelines
- En este módulo, abordaremos AI Platform Pipelines, un producto de Google Cloud que se usa para que las MLOps sean más sencillas, escalables y no presenten interrupciones con los servicios de Google Cloud.
- Entrenamiento, ajuste y entrega en AI Platform
- En este módulo, aprenderemos a entrenar, ajustar y entregar un modelo de forma manual desde el notebook de Jupyter en AI Platform.
- Kubeflow Pipelines en AI Platform
- En este módulo, automatizaremos el proceso de entrenamiento y ajuste que describimos antes con la ayuda de una canalización de Kubeflow Pipelines. En lugar de activar cada paso del proceso en forma manual desde el notebook de Jupyterlab, podemos activar todo el proceso con un solo clic después de haber expresado los distintos pasos como una canalización de Kubeflow Pipelines.
- CI/CD para Kubeflow Pipelines en AI Platform
- En este módulo, analizaremos el uso de CI/CD en canalizaciones de Kubeflow Pipelines. Sabemos cómo compilar una canalización de Kubeflow Pipelines automatizada, pero ¿cómo podemos integrar la canalización en una pila de integración continua? El objetivo es volver a compilar los elementos de la canalización apenas se envía nuevo código de entrenamiento al repositorio correspondiente.
- Resumen
- Este módulo es un resumen de lo que se enseñó en el curso.
- Recursos del curso
- Enlaces PDF a todos los módulos
Taught by
Google Cloud Training
