1 · Fundamentos
Qué es MLOps, el ciclo de vida del ML y la estructura de proyecto reproducible sobre la que descansa todo despliegue.
●Track 7 · En vivo
MLOps y despliegue
Lleva un modelo a la nube — Docker, CI/CD, MLflow, AWS.
Desde Docker básico hasta despliegue en AWS Beanstalk, EC2 + ECR y contenedores Azure. Tracking de experimentos con MLflow + DagsHub, versionado de datos con DVC. Código read-along con diagramas animados de capas Docker, flujo de push a ECR y pipelines de CI.
18 / 18 lecciones8 capítulos
2 · Docker para ML
Empaqueta una app de modelo en una imagen portable — Dockerfiles, caché de capas, builds multi-etapa y docker-compose.
3 · Servir el modelo
Expón predicciones por HTTP con un endpoint FastAPI y luego contenerízalo con health checks.
4 · Seguimiento de experimentos
Deja de adivinar qué run fue el mejor — registra parámetros, métricas y artefactos con MLflow y promueve modelos por un registry.
5 · Versionado de datos y modelos
Versiona datos y modelos grandes junto al código con DVC, y haz reproducible toda la pipeline.
6 · CI/CD
Automatiza pruebas y despliegue con GitHub Actions — corre checks en cada PR, luego construye, sube y despliega al hacer merge.
7 · Despliegue en la nube
Lleva el contenedor a la nube — push a un registry (ECR), luego despliega en AWS (Beanstalk, EC2, SageMaker) o endpoints gestionados de Azure.
8 · Monitoreo y capstone
Vigila un modelo en vivo por drift de datos y de concepto, luego une todo el track en un camino de extremo a extremo desde el entrenamiento hasta un modelo en producción monitoreado y que se reentrena solo.