Introducción al flujo ML
Aprende a usar MLflow para simplificar la creación de aplicaciones de aprendizaje automático.
Comience El Curso Gratis4 horas16 vídeos51 ejercicios
Crea Tu Cuenta Gratuita
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.¿Entrenar a 2 o más personas?Pruebe DataCamp para empresas
Preferido por estudiantes en miles de empresas
Descripción del curso
Gestionar el ciclo de vida completo de una aplicación de Aprendizaje Automático puede ser una tarea desalentadora para los científicos de datos, ingenieros y desarrolladores. Las aplicaciones de aprendizaje automático son complejas y tienen un historial demostrado de ser difíciles de seguir, difíciles de reproducir y problemáticas de desplegar.
En este curso, aprenderás qué es el flujo MLy cómo intenta simplificar las dificultades del ciclo de vida del Aprendizaje Automático, como el seguimiento, la reproducibilidad y el despliegue. Después de aprender MLflow, comprenderás mejor cómo superar las complejidades de la creación de aplicaciones de Aprendizaje Automático y cómo navegar por las diferentes etapas del ciclo de vida del Aprendizaje Automático.
A lo largo del curso, profundizarás en los cuatro componentes principales que conforman la plataforma de flujo ML. Explorarás cómo rastrear modelos, métricas y parámetros con MLflow Tracking, empaquetar código reproducible ML utilizando MLflow Projects, crear y desplegar modelos utilizando MLflow Models, y almacenar y controlar versiones de modelos utilizando Model Registry.
A medida que avances en el curso, también aprenderás las mejores prácticas de uso del flujo MLpara versionar modelos, cómo evaluar modelos, añadir personalizaciones a los modelos y cómo construir la automatización en las ejecuciones de entrenamiento. Este curso te preparará para el éxito en la gestión del ciclo de vida de tu próxima aplicación de Aprendizaje Automático.
Empresas
¿Entrenar a 2 o más personas?
Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y másEn las siguientes pistas
Ingeniero de Aprendizaje Automático
Ir a la pistaMachine learning en la producción en Python
Ir a la pista- 1
Introducción al flujo ML
GratuitoEn este Capítulo, se te presentará el flujo MLy cómo pretende ayudar en algunas dificultades del ciclo de vida del Aprendizaje Automático. Se te presentarán los cuatro conceptos principales que componen MLflujo, centrándose principalmente en MLflujo Seguimiento. Aprenderás a crear experimentos y ejecuciones, así como a realizar un seguimiento de las métricas, los parámetros y los artefactos. Por último, buscarás el flujo MLmediante programación para encontrar ejecuciones de experimentos que se ajusten a determinados criterios.
¿Qué es el flujo ML?50 xpComponentes del flujo ML50 xpMLexperimentos de flujo100 xpMLSeguimiento del flujo50 xpIniciar una carrera100 xpRegistrar una ejecución100 xp¿Cómo recuperar los datos de ejecución activos?50 xpConsulta de ejecuciones50 xpBuscar ejecuta opciones de consulta50 xpRecorridos de búsqueda100 xp - 2
MLflujo Modelos
GratuitoEn este capítulo, conocerás los Modelos de flujo ML. El componente MLflow Models de MLflow desempeña un papel esencial en los pasos de Evaluación de Modelos e Ingeniería de Modelos del ciclo de vida del Aprendizaje Automático. Aprenderás cómo MLflow Models estandariza el empaquetado de los modelos ML y cómo guardarlos, registrarlos y cargarlos. Aprenderás a crear Modelos de flujo MLpersonalizados para proporcionar más flexibilidad a tus casos de uso, así como a evaluar el rendimiento del modelo. Utilizarás el potente concepto de "Sabores" y, por último, utilizarás la herramienta de línea de comandos MLflow para el despliegue de modelos.
Introducción a MLmodelos de flujo50 xpEmpaquetar un modelo de aprendizaje automático100 xpFormato de almacenamiento50 xp¿Qué contiene un archivo de modelo ML?50 xpModelo API50 xpGuardar y cargar un modelo100 xpRegistrar y cargar un modelo100 xpModelos a medida50 xpCrear una clase Python personalizada100 xpModelo scikit-learn personalizado100 xpSabor y evaluación de Scikit-learn100 xpModelo que sirve50 xpSirviendo a un modelo50 xpPuntuación de un modelo servido50 xp - 3
Registro de modelos Mlflow
Este Capítulo introduce el concepto de flujo MLdenominado Registro Modelo. Conocerás cómo se utiliza el Registro de Modelos para gestionar el ciclo de vida de los modelos de ML. Aprenderás a crear y buscar modelos en el Registro de Modelos. A continuación, aprenderás a registrar modelos en el Registro de Modelos y a realizar transiciones de modelos entre etapas predefinidas. Por último, también aprenderás a desplegar modelos desde el Registro de Modelos.
Introducción al Registro de Modelos de flujo ML50 xpCrear un modelo100 xpBúsqueda de modelos100 xpRegistro de modelos50 xpRegistrar modelos existentes100 xpRegistrar nuevos modelos100 xpEtapas del modelo50 xpEtapas del modelo en el Registro de Modelos50 xpEtapas del modelo de transición100 xpDespliegue del modelo50 xpServir modelos del Registro de Modelos50 xpCargar modelos desde el Registro de Modelos100 xp - 4
MLflujo Proyectos
En este capítulo, obtendrás valiosos conocimientos sobre cómo racionalizar tu código de ciencia de datos para que sea reutilizable y reproducible, utilizando Proyectos de flujo ML. El capítulo comienza introduciendo el concepto de Proyectos de flujo MLy te guía a través de la creación de un archivo de proyecto ML. A partir de ahí, aprenderás a ejecutar Proyectos de MLflow tanto a través de la línea de comandos como del módulo Proyectos de MLflow, al tiempo que descubres el poder de utilizar parámetros para añadir flexibilidad a tu código. Por último, aprenderás a gestionar los pasos del ciclo de vida del aprendizaje automático creando un flujo de trabajo de varios pasos utilizando MLflow Projects.
Introducción a MLflujo Proyectos50 xpMLdiseño del archivo del proyecto50 xpCrear un proyecto ML100 xpEjecutar proyectos de flujo ML50 xpMLorden de ejecución de flujo50 xpMLmódulo de proyectos de flujo100 xpEspecificación de parámetros50 xpAñadir parámetros al proyecto ML100 xpAñadir parámetros a la ejecución del proyecto100 xpFlujos de trabajo50 xpCrear un proyecto MLpara el ciclo de vida ML: Ingeniería de modelos100 xpCrear un proyecto MLpara el ciclo de vida ML: Evaluación del modelo100 xpCrear un flujo de trabajo de varios pasos: Ingeniería de modelos100 xpCrear un flujo de trabajo de varios pasos: Evaluación del modelo100 xpResumen50 xp
Empresas
¿Entrenar a 2 o más personas?
Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y másEn las siguientes pistas
Ingeniero de Aprendizaje Automático
Ir a la pistaMachine learning en la producción en Python
Ir a la pistacolaboradores
Weston Bassler
Ver MásSenior MLOps Engineer
¿Qué tienen que decir otros alumnos?
¡Únete a 14 millones de estudiantes y empieza Introducción al flujo ML hoy mismo!
Crea Tu Cuenta Gratuita
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.