FastAPI para APIs de Machine Learning en Producción
Curso práctico para ML Engineers que desean desplegar modelos de machine learning como APIs REST robustas usando FastAPI. Aprenderás a implementar validación de datos, monitoreo en tiempo real y despliegue escalable, culminando con un proyecto completo listo para producción.
20
Lecciones
20
Prácticas
20
Quizzes
Filtro de calidad
Público solo si tiene profundidad, práctica y evaluación.
Aprendizaje aplicable
Lecciones orientadas a entregables, casos y decisiones reales.
Listo para equipos
Podemos adaptar rutas para onboarding, upskilling o ventas.
Evidencia de calidad
6.383
Caracteres promedio por lección
16
Lecciones con práctica
20
Quizzes evaluables
0
Pendientes antes de publicar
Vas a practicar con
- Instalación y Primer Endpoint con FastAPI
- Carga y Uso de un Modelo ML en FastAPI
- Quiz: Fundamentos de FastAPI y ML
- Práctica: Configurar Dashboard de Monitoreo para una API
FastAPI para APIs de Machine Learning en Producción
Contenido del curso
Este módulo te prepara para integrar modelos ML existentes en FastAPI, estableciendo las bases de una API funcional con validación inicial, para que puedas pasar rápidamente de prototipos a endpoints operativos.
Aquí profundizarás en la validación de datos y el manejo robusto de errores, esencial para garantizar la fiabilidad de tu API en entornos de producción, evitando fallos por entradas incorrectas.
- 2.1Validación Personalizada con Pydantic para Datos MLLectura20 min
- 2.2Manejo de Excepciones y Respuestas de ErrorLectura15 min
- 2.3Práctica: Implementar Validación para un Modelo de RegresiónLectura30 min
- 2.4Logging Básico para DepuraciónLectura15 min
- 2.5Quiz: Validación y Manejo de ErroresQuiz10 min
Aprenderás a monitorear el rendimiento de tu API en tiempo real y optimizarla para alta carga, clave para mantener servicios ML eficientes y detectar problemas antes de que afecten a los usuarios.
En este módulo final, aplicarás todo lo aprendido para construir y desplegar una API completa de ML con validación, monitoreo y escalabilidad, entregando un proyecto listo para entornos reales de producción.
Cursos relacionados
Seguí aprendiendo dentro de la misma ruta.
Containerización y Despliegue de Modelos de ML con Docker y Kubernetes
Aprende a containerizar tus flujos de Machine Learning con Docker y desplegarlos en Kubernetes para producción. Este curso práctico te guiará desde la creación de imágenes personalizadas hasta la orquestación de servicios escalables, optimizado para científicos de datos.
LangGraph Avanzado: Construcción de Agentes de IA con Memoria y Herramientas
Curso práctico para ingenieros senior de IA que desean dominar LangGraph en la creación de agentes inteligentes con capacidades de memoria, uso de herramientas y lógica condicional. Aprenderás a diseñar sistemas que toman decisiones autónomas y ejecutan tareas complejas en entornos reales.
Fine-tuning de LLMs con RLHF y DPO: De la teoría a la implementación práctica
Curso avanzado para ingenieros de ML que desean dominar técnicas de ajuste fino de modelos de lenguaje con aprendizaje por refuerzo. Aprenderás a implementar RLHF y DPO en modelos open-source, optimizando respuestas con retroalimentación humana y preferencias. Al finalizar, podrás desplegar modelos ajustados para aplicaciones reales con métricas de evaluación robustas.
Para estudiantes y creadores
Aprendé este tema o creá una versión para tu audiencia.
Empezá el curso o postulá tu experiencia si querés publicar una ruta revisada en el marketplace.
Para empresas
Capacitación a medida
Si querés este contenido para un equipo, armamos rutas con objetivos, seguimiento y cursos propios.
Hablar por equipos