Implementación de modelos de aprendizaje automático en producción - eLearning

Cronograma del curso

1. Introducción

   Lección 01

   • ¿Qué es la implementación de modelos?
   • Tipos de implementación de modelos
   • ¿Cómo elegir el tipo de implementación del modelo?

2. AWS SageMaker

   Lección 02

   • Equivalente de AWS SageMaker en GCP y Azure
   • Inicia sesión en tu cuenta de AWS
   • Configuración de AWS SageMaker Studio
   • Abrir Jupyter en SageMaker Studio

3. Entrenamiento del modelo

   Lección 03

   • Clonar el repositorio de la lección
   • Descargando parte de los datos
   • Análisis exploratorio de datos e ingeniería de características
   • Código de entrenamiento del modelo base
   • Probar el modelo localmente
   • Trabajo de entrenamiento de SageMaker
   • Ajuste de hiperparámetros
   • Analizar resultados

4. Inferencia en tiempo real de SageMaker

   Lección 04

   • Arquitectura de SageMaker para inferencia en tiempo real
   • Crear el script de inferencia
   • Implementación de endpoints en tiempo real
   • Invocar el modelo
   • Limpieza
   • Introducción al endpoint multimodelo
   • Implementación de un endpoint multimodelo
   • Invocar el endpoint multimodelo
   • Introducción a Serverless
   • Implementación como inferencia sin servidor

5. SageMaker Batch Transform

   Lección 05

   • Arquitectura de SageMaker Batch Transform
   • Crear el script de inferencia para la transformación por lotes
   • Activar un trabajo de transformación por lotes
   • Analizar resultados

6. MLOps en SageMaker

   Lección 06

   • MLOps: Operaciones de Aprendizaje Automático
   • Implementar MLOps en la nube de AWS usando SageMaker
   • Crea un proyecto de MLOps con una plantilla de SageMaker
   • Código de la plantilla de proyecto de SageMaker
   • Depurar errores de la aplicación con Jupyter Notebook
   • Enviar cambios de código para activar CI/CD
   • Probar el endpoint
   • Limpieza