Comparte este curso:
Este curso oficial está especialmente diseñado para científicos de datos que desean llevar sus modelos de aprendizaje automático a escala en la nube utilizando Azure Machine Learning y MLflow. Aprenderás a ingestar y preparar datos, entrenar y desplegar modelos, y supervisar soluciones de inteligencia artificial de forma profesional.
Además, este curso te prepara para obtener la certificación Microsoft Certified: Azure Data Scientist Associate.
Al finalizar el curso, serás capaz de:
Administrar soluciones de machine learning en Azure, desde la ingesta de datos hasta el despliegue y supervisión de modelos.
Preparar, entrenar modelos y optimizarlos utilizando AutoML, MLflow y otras herramientas avanzadas de Azure ML.
Supervisar y gestionar modelos en producción, incluyendo prácticas de responsabilidad en IA mediante la integración de paneles de Responsible AI.
Desplegar modelos en endpoints en tiempo real (online) o por lotes (batch), asegurando su operatividad y escalabilidad.
Este curso está pensado para:
Científicos de datos con experiencia en Python y frameworks de machine learning, como Scikit-Learn, PyTorch o TensorFlow.
Profesionales que quieren construir, operar y desplegar soluciones de IA y machine learning en la nube.
Personas que aspiran a certificarse como Azure Data Scientist Associate, aprovechando una formación alineada con el examen oficial.
Para aprovechar el curso al máximo, se recomienda:
Conocimientos en Python y frameworks de aprendizaje automático (Scikit-Learn, PyTorch, TensorFlow).
Experiencia en el ciclo completo de machine learning: preparación de datos, entrenamiento de modelos y validación.
Familiaridad con conceptos básicos de nube (idealmente en Azure) y entornos de desarrollo tipo Jupyter o similar.
Búsqueda del mejor modelo de clasificación con aprendizaje automático automatizado
Seguimiento del entrenamiento de modelos en cuadernos de Jupyter Notebook con MLflow
Ejecución de un script de entrenamiento como un trabajo de comando en Azure Machine Learning
Seguimiento del entrenamiento del modelo con MLflow en trabajos
Realización del ajuste de hiperparámetros con Azure Machine Learning
Ejecución de canalizaciones en Azure Machine Learning
Registro de un modelo de MLFlow en Azure Machine Learning
Crear y explorar el panel de inteligencia artificial responsable para un modelo en Azure Machine Learning
Implementación de un modelo en un punto de conexión en línea administrado
Implementación de un modelo en un punto de conexión por lotes
Planeamiento y preparación para desarrollar soluciones de inteligencia artificial en Azure
Elección e implementación de modelos desde el catálogo de modelos en el portal de Azure AI Foundry
Desarrollo de una aplicación de IA con el SDK de Azure AI Foundry
Introducción al flujo de avisos para desarrollar aplicaciones de modelos lingüísticos en Azure AI Foundry
Desarrollo de una solución basada en RAG con sus propios datos mediante Azure AI Foundry
Ajuste de un modelo de lenguaje con Azure AI Foundry
Implementación de una solución de inteligencia artificial generativa responsable en Azure AI Foundry
Evaluación del rendimiento de la inteligencia artificial generativa en el portal de Azure AI Foundry
