Introducción

Que aprenderán

• Convertir prototipos de ciencia de datos en soluciones listas para producción
• MLOPS para el desarrollo de proyectos de ciencia de datos desde el prototipo a la producción
• Herramientas de desarrollo de software para ciencia de datos
• Buenas prácticas de desarrollo para un código limpio y escalable

Contenido General

• Proyectos de Ciencia de datos
• Control de versiones de Codigo (Git, Github)
• MLOPS (Machine learning operations)
• Herramientas de desarrollo (Ambiente virtual, Manejo dependencias)
• Buenas prácticas de desarrollo de código (Format, linter, static typing, docstrings, security checks, pre-commit …)
• Pruebas Unitarias y de Integración
• CI/CD (Continuous Integration / Continuous Delivery)
• Tracking de experimentos
• Despliegue de Modelos y Monitoreo

Diapositivas