Bienvenido, les saluda Luis y esta vez les traigo este tutorial.
Índice
Cómo comenzar con una de las habilidades de ciencia de datos de mayor demanda
Si se inscribe en un curso promedio de aprendizaje automático o ciencia de datos, lo más probable es que solo escuche sobre algoritmos. Algunos son más prácticos y le enseñan a usar ciertos marcos y modelos de entrenamiento, pero la mayoría no va más allá de eso.
Sin embargo, esto es solo una pequeña parte de todo el proceso de aprendizaje automático. Como ingeniero o científico de datos, su tarea rara vez comienza y termina con el desarrollo de métodos. Más bien, la mayor parte del tiempo se dedica a la ingeniería de datos y la gestión de la infraestructura de servicio de modelos.
A medida que la comunidad de profesionales pronto se dio cuenta de esto, se realizó un esfuerzo cada vez mayor para administrar las operaciones de aprendizaje automático durante todo el ciclo de vida. Por lo tanto, para la analogía de DevOps, el campo de MLOps ha emergido lentamente.
Durante la evolución de un campo técnico, su accesibilidad pasa por tres grandes fases. Primero, desde sus inicios, el conocimiento no está disponible si usted no está al frente de los esfuerzos. En segundo lugar, dónde se escriben los primeros libros de texto y se crean los cursos, pero las mejores prácticas aún no son claras y la información está dispersa en varios lugares. Finalmente, un campo alcanza un cierto nivel de madurez cuando se convierte en parte de un plan de estudios estándar. El aprendizaje profundo y el aprendizaje automático ya están ahí.
Sin embargo, MLOps aún se encuentra en la segunda fase. Existen varios recursos de aprendizaje excelentes, pero puede llevar bastante tiempo encontrarlos y filtrarlos. Esta publicación tiene como objetivo hacer este trabajo por usted: vamos a echar un vistazo a tres de los mejores lugares para aprender los fundamentos de MLOps.
¡Empecemos!
El curso Full Stack Deep Learning
Originalmente enseñado como un campo de entrenamiento en Berkeley, el Curso Full Stack Deep Learning se ha convertido en una de las introducciones más completas al lado más práctico del aprendizaje automático.
Recientemente, han puesto a disposición en línea todo el ciclo de conferencias, junto con los proyectos.
En lugar de la formación teórica y modelo, su plan de estudios contiene las siguientes conferencias:
- Configurar proyectos de aprendizaje automático
- Infraestructura y herramientas
- Gestión de datos
- Equipos de aprendizaje automático
- Entrenamiento y depuración
- Prueba y despliegue
En general, esta es la mejor introducción al campo en mi opinión. El material enseñado es amplio en lugar de profundo, pero al final, te darás cuenta de lo vasto que es MLOps y cuánto no sabes.
2. Ingeniería de aprendizaje automático por Andriy Burkov
Los Libro de ingeniería de aprendizaje automático está escrito por Andriy Burkov, que complementa perfectamente el curso Full Stack Deep Learning. El libro en sí se distribuye de acuerdo con el principio de «leer primero, comprar después», lo que significa que si le proporcionó valor, puede apoyar al autor comprando.
En lugar de entrar en el conjunto de herramientas de MLOps, el libro ofrece un enfoque más de “teoría de la práctica”, brindándole una descripción general de los problemas, preguntas y mejores prácticas de los problemas de aprendizaje automático.
Si está interesado, debería consultar El libro de aprendizaje automático de cien páginas, que es una lectura más centrada en la teoría del mismo autor.
3. MLOps increíbles y listas de GitHub de aprendizaje automático de producción
Probablemente haya encontrado el concepto antes, pero si este es el primero, una Lista impresionante es un catálogo temático curado de recursos, alojado en forma de un repositorio de GitHub que contiene solo un archivo README.
En nuestro caso, dos listas muy útiles son las MLOps impresionantes y el Aprendizaje automático de producción impresionante. Mientras que el primero se centra en los recursos de aprendizaje, el segundo lo complementa con un énfasis en las herramientas.
Estas listas son útiles cuando ya tiene una vista completa del campo MLOps y le gustaría especializarse en un subdominio dado, como el servicio de modelos y el monitoreo.
Conclusiones
Como ya puede ver, administrar proyectos de aprendizaje automático a lo largo de todo su ciclo de vida es asombrosamente complejo. Sin embargo, con este conocimiento bajo su cinturón, estará listo para enfrentar muchos de sus desafíos. Entonces, ve y aprende cosas increíbles 🙂
Añadir comentario