Temario del curso
Introducción a Apache Airflow para Aprendizaje Automático
- Descripción general de Apache Airflow y su relevancia en la ciencia de datos
- Características clave para automatizar flujos de trabajo de aprendizaje automático
- Configuración de Airflow para proyectos de ciencia de datos
Construcción de Pipelines de Aprendizaje Automático con Airflow
- Diseño de DAGs para flujos de trabajo de ML de extremo a extremo
- Uso de operadores para ingestión de datos, preprocesamiento e ingeniería de características
- Programación y gestión de dependencias del pipeline
Entrenamiento y Validación de Modelos
- Automatización de tareas de entrenamiento de modelos con Airflow
- Integración de Airflow con frameworks de ML (por ejemplo, TensorFlow, PyTorch)
- Validación de modelos y almacenamiento de métricas de evaluación
Despliegue y Monitoreo de Modelos
- Despliegue de modelos de aprendizaje automático utilizando pipelines automatizados
- Monitoreo de modelos desplegados con tareas de Airflow
- Manejo de retreinamiento y actualizaciones de modelos
Personalización e Integración Avanzada
- Desarrollo de operadores personalizados para tareas específicas de ML
- Integración de Airflow con plataformas en la nube y servicios de ML
- Extensión de flujos de trabajo de Airflow mediante plugins y sensores
Optimización y Escalamiento de Pipelines de ML
- Mejora del rendimiento del flujo de trabajo para grandes volúmenes de datos
- Escalamiento de implementaciones de Airflow con Celery y Kubernetes
- Mejores prácticas para flujos de trabajo de ML en grado de producción
Estudios de Caso y Aplicaciones Prácticas
- Ejemplos reales de automatización de ML utilizando Airflow
- Ejercicio práctico: Construcción de un pipeline de ML de extremo a extremo
- Discusión de desafíos y soluciones en la gestión de flujos de trabajo de ML
Resumen y Próximos Pasos
Requerimientos
- Conocimiento de los flujos de trabajo y conceptos del aprendizaje automático
- Comprensión básica de Apache Airflow, incluyendo DAGs y operadores
- Dominio de la programación en Python
Público Objetivo
- Científicos de datos
- Ingenieros de aprendizaje automático
- Desarrolladores de IA
Reseñas (2)
Fomentar la repetición en la construcción de indicaciones (prompts) entre quienes nunca han utilizado la IA, y animar a los usuarios experimentados a considerar métodos alternativos para su uso.
Matthew Gay - Tarsus Pharmaceuticals
Curso - Artificial Intelligence (AI) Overview
Traducción Automática
Trabajando desde principios fundamentales de manera enfocada y pasando a aplicar estudios de caso en el mismo día
Maggie Webb - Department of Jobs, Regions, and Precincts
Curso - Artificial Neural Networks, Machine Learning, Deep Thinking
Traducción Automática
