Python y MLflow para Diseñar, Implementar y Monitorizar un Pipeline MLOps

Objetivos

Objetivos de la formación MLflow

Al finalizar la formación será capaz de:

• Diseñar modelos de Machine Learning con MLflow
• Construir pipelines MLOps robustos
• Gestionar el ciclo de vida del modelo
• Implementar modelos en producción
• Monitorizar modelos y detectar desviaciones
• Optimizar el rendimiento de modelos
• Integrar MLflow con herramientas del ecosistema

Duración

Programa

Programa de la formación MLflow

Día 1

Fundamentos

• Concepto de datos y ciclo de vida
• Ciencia de datos y evolución del análisis
• Data Warehouse, Data Lake y Lakehouse
• Gobernanza y calidad del dato
• Introducción a DevOps, DataOps y MLOps
• Arquitecturas de microservicios y contenerización
• Flujo de trabajo MLOps
• Herramientas y plataformas MLOps
• Introducción a MLflow

Ejercicios prácticos:
• Desarrollo de un primer modelo con MLflow

Primeros pasos con MLflow

• MLflow Projects
• MLflow Tracking
• MLflow Models
• Model Registry

Ejercicios prácticos:
• Creación de un pipeline con MLflow

Día 2

Desarrollo y experimentación

• Exploración de datos
• Diseño de experimentos
• Comparación de modelos
• Optimización de hiperparámetros
• Gestión de firmas y esquemas
• Registro de modelos

Ejercicios prácticos:
• Mejora de modelos y selección del mejor

Machine Learning en producción

• Retos de los sistemas ML
• Arquitecturas de plataformas
• Herramientas del ecosistema (Kubeflow, Michelangelo)
• Diseño de infraestructuras ML

Ejercicios prácticos:
• Diseño de arquitectura de Machine Learning

Día 3

Preparación de datos y entrenamiento

• Flujo de datos
• Proyectos MLflow
• Pipelines reproducibles
• Calidad de datos
• Feature engineering
• Feature stores
• Entrenamiento y evaluación

• Uso de Docker
• Implementación del modelo

Ejercicios prácticos:
• Desarrollo de pipelines reproducibles

Día 4

Implementación e inferencia

• Model Registry local
• Inferencia batch
• Uso de API
• Despliegue en Kubernetes
• Introducción a AWS SageMaker

Ejercicios prácticos:
• Implementación en cloud

Mejora del pipeline

• Integración con TensorFlow y PyTorch
• Integración con Spark
• Uso de GPU (NVIDIA RAPIDS)
• Monitorización de modelos
• Detección de deriva
• Alertas de infraestructura

Ejercicios prácticos:
• Desarrollo de pipeline en producción

Día 5

Casos avanzados

• Deep Learning eficiente
• Optimización con Optuna
• Servir múltiples modelos con PyFunc
• Detección de deriva con Evidently

IA responsable

• Interpretabilidad de modelos
• SHAP, LIME, InterpretML

Ejercicios prácticos:
• Implementación avanzada con MLflow

Metodología

Metodología de la formación MLflow

• Formación presencial o aula virtual
• Métodos demostrativo, interrogativo y activo
• Ejercicios prácticos en Python y MLflow
• Casos reales de MLOps

Evaluación de la formación MLflow

• Durante la formación: ejercicios prácticos
• Al final: cuestionario de autoevaluación

Bonificación Fundae

Esta formación es bonificable a través de FUNDAE para todas las empresas que cuenten con trabajadores en régimen general de la Seguridad Social y dispongan de crédito formativo. SKOLAE Formación gestiona todo el proceso administrativo necesario para que tu empresa pueda recuperar el importe invertido en la formación, siempre que se cumplan los requisitos legales y de comunicación establecidos por FUNDAE.

Formador

La formación es impartida por un experto en Machine Learning, MLOps y MLflow, con experiencia en industrialización de modelos y despliegue en producción.

Cuenta con experiencia en proyectos de Data Science, integración de pipelines y monitorización de modelos en entornos cloud.

Su enfoque es práctico y orientado a la aplicación real en proyectos de datos.

¿Te gustó esta formación? Suscríbete a nuestra Newsletter pinchando aquí. También te animamos a seguirnos en LinkedIn, Instagram y Facebook y así estarás al día de todas nuestras novedades.