Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Programa del Curso
Introducción a Apache Airflow para Machine Learning
- Visión general de Apache Airflow y su relevancia para la ciencia de datos
- Características clave para automatizar los flujos de trabajo de aprendizaje automático
- Configuración de Airflow para proyectos de ciencia de datos
Construcción Machine Learning Tuberías con flujo de aire
- Diseño de DAG para flujos de trabajo de ML de un extremo a otro
- Uso de operadores para la ingesta de datos, el preprocesamiento y la ingeniería de características
- Programación y administración de dependencias de canalización
Entrenamiento y validación de modelos
- Automatización de tareas de entrenamiento de modelos con Airflow
- Integración de Airflow con marcos de ML (p. ej., TensorFlow, PyTorch)
- Validación de modelos y almacenamiento de métricas de evaluación
Implementación y supervisión de modelos
- Implementación de modelos de aprendizaje automático mediante canalizaciones automatizadas
- Supervisión de modelos implementados con tareas de Airflow
- Manejo de reentrenamiento y actualizaciones de modelos
Personalización e integración avanzadas
- Desarrollo de operadores personalizados para tareas específicas de ML
- Integración de Airflow con plataformas en la nube y servicios de ML
- Ampliación de los flujos de trabajo de Airflow con plugins y sensores
Optimización y escalado de canalizaciones de ML
- Mejora del rendimiento del flujo de trabajo para datos a gran escala
- Escalado de implementaciones de Airflow con Celery y Kubernetes
- Prácticas recomendadas para flujos de trabajo de ML de nivel de producción
Estudios de casos y aplicaciones prácticas
- Ejemplos reales de automatización de ML con Airflow
- Ejercicio práctico: Creación de una canalización de ML de un extremo a otro
- Discusión de desafíos y soluciones en la gestión del flujo de trabajo de ML
Resumen y próximos pasos
Requerimientos
- Familiaridad con los flujos de trabajo y los conceptos de aprendizaje automático
- Conocimientos básicos de Apache Airflow, incluidos los DAG y los operadores.
- Competencia en Python programación
Audiencia
- Científicos de datos
- Ingenieros de aprendizaje automático
- Desarrolladores de IA
21 Horas
