Evaluación de conceptos Kubernetes básicos

#1

Containerización: La solución a problemas de dependencias en ML

#2

Estructura de proyectos ML para containerización eficiente

#3

Arquitectura de Kubernetes: Por qué es ideal para ML en producción

#4

ConfigMaps y Secrets: Gestión de parámetros de modelos

#5

Diseño del pipeline: Desde datos hasta predicciones en producción

#6

Instalación y configuración de Docker en tu entorno

#7

Creación de imágenes Docker con modelos entrenados

#8

Configuración de Minikube para desarrollo local

#9

Autoescalado horizontal de pods para picos de demanda

#10

Containerización del entrenamiento y servicio de predicción

#11

Creación de tu primer Dockerfile para Python y librerías de datos

#12

Exponiendo modelos como APIs REST en contenedores

#13

Desplegando tu primer contenedor ML en Kubernetes

#14

Monitoreo de métricas de modelos desplegados

#15

Despliegue en Kubernetes con CI/CD básico

#16

Práctica: Containeriza un script de preprocesamiento de datos

#17

Práctica: Containeriza un pipeline completo de clasificación

#18

Práctica: Despliega un servicio de predicción con múltiples réplicas

#19

Práctica: Configura autoescalado para un modelo de recomendación

#20

Implementación del proyecto completo

#21

Evaluación de conceptos Docker para ML

#22

Quiz: Dockerización de flujos ML

#23

Evaluación de conceptos Kubernetes básicos

#24

Quiz: Gestión avanzada en Kubernetes

#25

Evaluación final del proyecto integrador

Ver full lessons Revisar curso learning pagina