Nota: Este curso ha sido traducido del inglés al español con la ayuda de inteligencia artificial para facilitar el acceso a una audiencia hispanohablante.

Este bootcamp práctico está diseñado para ayudar a Ingenieros DevOps y profesionales de infraestructura a dar el salto hacia MLOps. A través de un caso de uso real —predicción de precios de viviendas— recorrerás todo el ciclo de vida de un proyecto de machine learning: desde el procesamiento de datos y la ingeniería de características hasta la experimentación con modelos en notebooks Jupyter. Aprenderás a configurar entornos con Docker y a usar MLflow para el seguimiento de experimentos, adquiriendo experiencia práctica que podrás aplicar inmediatamente.

En las etapas siguientes empaquetarás modelos con FastAPI y construirás una interfaz con Streamlit, automatizarás pipelines con GitHub Actions y publicarás imágenes en DockerHub. Finalmente desplegarás infraestructuras escalables en Kubernetes, explorarás Seldon Core para producción y monitorizarás despliegues con Prometheus y Grafana. También verás cómo aplicar GitOps con ArgoCD para entrega continua. Al finalizar, contarás con habilidades prácticas para operar y automatizar flujos de machine learning aplicando prácticas de DevOps y estarás mejor preparado para roles en MLOps e Ingeniería de Plataformas de IA.

Lo que aprenderás:

• Comprender el ciclo de vida completo de un proyecto de machine learning desde el procesamiento de datos hasta el despliegue en producción.
• Configurar y utilizar MLflow para el seguimiento de experimentos.
• Aplicar técnicas de ingeniería de datos y características en notebooks de Jupyter.
• Empaquetar modelos de ML utilizando FastAPI y desplegarlos con Docker y Kubernetes.
• Construir interfaces visuales con Streamlit y conectarlas a modelos en producción.
• Automatizar pipelines de ML con GitHub Actions y gestionar imágenes de contenedores con DockerHub.
• Implementar modelos en producción con Seldon Core.
• Supervisar modelos en producción usando Prometheus y Grafana.
• Aplicar GitOps para entrega continua utilizando ArgoCD.
• Integrar prácticas de DevOps en flujos de trabajo de machine learning (MLOps)

Contenido del curso:

• Secciones: 6
• Clases: 58
• Duración: 9h 12m

Requisitos:

• Conocimientos básicos de DevOps, incluyendo Docker, Git y CI/CD.
• Experiencia básica con la línea de comandos y manejo de terminal.
• Idealmente, experiencia previa trabajando con Kubernetes (aunque se explican los conceptos clave durante el curso).

¿Para quién es este curso?

• Ingenieros DevOps que buscan expandir sus habilidades hacia el campo de MLOps.
• Profesionales de infraestructura interesados en automatizar flujos de trabajo de machine learning.
• Desarrolladores o arquitectos de software que quieren entender cómo desplegar modelos de ML en producción.
• Estudiantes o autodidactas que desean adquirir experiencia práctica en el ciclo de vida completo de proyectos de ML aplicando prácticas de DevOps.

¿Qué esperas para comenzar?

Inscríbete hoy mismo y lleva tus habilidades al siguiente nivel. ¡Los cupones son limitados y pueden agotarse en cualquier momento!

👉 Aprovecha el cupón ahora – Cupón OCT_FREE_03