Aprendizaje de Maquina II

Este repositorio contiene el material de clases (presentaciones, ejercicios y notebooks) para Aprendizaje de Maquina II (CEIA - FIUBA).

Para revisar los criterios de aprobación, ver el documento correspondiente.

Objetivo de la materia

El objetivo de la materia es acercar a los alumnos los conceptos necesarios para desarrollar productos de software relacionados a Machine Learning y análisis de datos de una manera escalable y siguiendo buenas prácticas de programación. También se trabaja sobre las tareas operativas de Machine Learning (MLOps) con distintas herramientas para disponibilizar los resultados en ambientes productivos 🚀.

Organización del Repositorio

    clase#
        teoria
        hands-on
        README.md

Requerimientos

Lenguaje de Programación
- Python >=3.10
- Poetry / Pip / Conda para instalar librerías
Librerías
- MLflow
- Librerias de manejo de datos y de modelos de aprendizaje automático.
- Jupiter Notebook
Herramientas
- GitHub para repositorios
- Docker
- Apache Airflow
IDE Recomendados
- Visual Studio Code
- PyCharm Community Edition

Poetry

Este repositorio contiene un archivo pyproject.toml para instalar las dependencias usando Poetry

Contenido

Clase 1

Introducción a la Materia
Ciclo de vida de un proyecto de Aprendizaje Automático
Machine Learning Operations (MLOps)
Buenas prácticas de programación

Clase 2

Desarrollo de modelos
Las 4 fases del desarrollo de modelos
Contenedores y Docker

Clase 3

Infraestructura
Plataforma de ML
MLFlow

Clase 4

Orquestadores y sincronizadores
Gestión del flujo de trabajo de ciencia de datos
Apache Airflow

Clase 5

Despliegue de modelos
Sirviendo modelos
Predicción en lotes

Clase 6

Desplegado on-line
APIs y Microservicios
Implementación de REST APIs en Python

Clase 7

Sirviendo modelos en el mundo real
Estrategias de implementación
Ejemplo de servicios de modelos

Bibliografia

Designing Machine Learning Systems. An Iterative Process for Production-Ready Applications - Chip Huyen (Ed. O’Reilly)
Machine Learning Engineering with Python: Manage the production life cycle of machine learning models using MLOps with practical examplesv - Andrew P. McMahon (Ed. Packt Publishing)
Engineering MLOps: Rapidly build, test, and manage production-ready machine learning life cycles at scale - Emmanuel Raj (Ed. Packt Publishing)
Introducing MLOps: How to Scale Machine Learning in the Enterprise - Mark Treveil, Nicolas Omont, Clément Stenac, Kenji Lefevre, Du Phan, Joachim Zentici, Adrien Lavoillotte, Makoto Miyazaki, Lynn Heidmann (Ed. O’Reilly)
Practical MLOps: Operationalizing Machine Learning Models - Noah Gift, Alfredo Deza (Ed. O’Reilly)
Machine Learning Engineering - Andriy Burkov (Ed. True Positive Inc.)
Machine Learning Engineering in Action - Ben Wilson (Manning)

Esta obra está bajo una Licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional.

Juliodonadello/AprendizajeMaquina2