Este bootcamp práctico está diseñado para ayudar a ingenieros DevOps y profesionales de infraestructura a dar el salto al creciente campo de MLOps. Con la IA/ML integrándose cada vez más en aplicaciones modernas, MLOps es el puente esencial entre los modelos de Machine Learning y los sistemas en producción. En este curso trabajarás con un caso real de regresión —predicción de precios de viviendas— y lo llevarás desde el procesamiento de datos hasta el despliegue en producción sobre Kubernetes.

Comenzarás configurando tu entorno con Docker y MLflow para el seguimiento de experimentos, aprenderás el ciclo de vida del ML y practicarás ingeniería de datos, creación de features y experimentación de modelos en Jupyter notebooks. Empaquetarás el modelo con FastAPI, crearás una UI ligera con Streamlit, y automatizarás pipelines con GitHub Actions y DockerHub. En las etapas avanzadas montarás infraestructura de inferencia escalable en Kubernetes, explorarás Seldon Core para el serving y monitorizarás con Prometheus y Grafana. Además, verás GitOps con ArgoCD para un despliegue continuo ordenado y reproducible.

Al finalizar, tendrás experiencia práctica para operar y automatizar flujos de trabajo de Machine Learning aplicando prácticas DevOps, preparándote para roles de MLOps y AI Platform Engineering.

Lo que aprenderás:

• Construir pipelines de Machine Learning de extremo a extremo aplicando buenas prácticas de MLOps
• Entender e implementar el ciclo de vida ML desde ingeniería de datos hasta despliegue de modelos
• Configurar MLflow para seguimiento de experimentos y versionado de modelos
• Empaquetar y servir modelos usando FastAPI y Docker
• Automatizar workflows con GitHub Actions para pipelines de CI
• Desplegar infraestructura de inferencia en Kubernetes usando KIND
• Usar Streamlit para crear interfaces web ligeras para modelos ML
• Aprender pipelines de CD basados en GitOps con ArgoCD
• Servir modelos en producción con Seldon Core
• Monitorizar modelos con Prometheus y Grafana para obtener métricas en producción
• Entender los flujos de entrega entre Data Science, ML Engineering y DevOps
• Construir habilidades fundamentales para transicionar de DevOps a roles de MLOps

Contenido del curso:

• Secciones: 0
• Clases: 0
• Duración: No especificada

Requisitos:

• Conocimientos básicos de DevOps y Docker
• Familiaridad con Git y GitHub
• Alguna experiencia con Python (usado para scripting y workflows ML)
• Comprensión previa de conceptos CI/CD es útil pero no obligatoria
• Un equipo con mínimo 8GB de RAM y Docker instalado para realizar los laboratorios locales

¿Para quién es este curso?

• Ingenieros DevOps que quieran ingresar al campo de MLOps
• Platform Engineers y SREs que dan soporte a equipos de ML
• Ingenieros cloud que desean entender los flujos de trabajo ML y su producción
• Desarrolladores en transición hacia ML Engineering o Data Engineering
• Cualquiera curioso sobre cómo se despliegan y escalan sistemas ML reales

¿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