Imagen del autor
Cada vez es más importante dominar MLOps (Operaciones de aprendizaje automático) para aquellos que desean implementar, monitorear y mantener de manera efectiva sus modelos de ML en producción. MLOps es un conjunto de prácticas que tiene como objetivo fusionar el desarrollo del sistema ML (Dev) y la operación del sistema ML (Ops). Afortunadamente, la comunidad de código abierto ha creado numerosos recursos para ayudar a los principiantes a dominar estos conceptos y herramientas.
Aquí hay diez repositorios de GitHub que son esenciales para cualquiera que quiera dominar MLOps:
Enlace de GitHub: graviraja/MLOps-Conceptos básicos
Es un plan de estudio de 9 semanas diseñado para ayudarlo a dominar varios conceptos y herramientas relacionados con el monitoreo de modelos, configuraciones, control de versiones de datos, empaquetado de modelos, Docker, acciones de GitHub y la nube de AWS. Aprenderá cómo crear un proyecto MLOps de un extremo a otro y cada semana se centrará en un tema específico para ayudarlo a lograr este objetivo.
Enlace de GitHub: microsoft/MLOps
El repositorio proporciona ejemplos y soluciones de MLOps de un extremo a otro. Una colección de ejemplos que muestran diferentes escenarios de un extremo a otro que ponen en funcionamiento flujos de trabajo de aprendizaje automático con Azure Machine Learning, integrados con GitHub y otros servicios de Azure, como Data Factory y DevOps.
Enlace de GitHub: GokuMohandas/Made-With-ML
Si está buscando ejemplos y soluciones integrales de MLOps, este repositorio lo tiene cubierto. Contiene una colección diversa de escenarios que demuestran cómo poner en funcionamiento flujos de trabajo de aprendizaje automático mediante Azure Machine Learning. Además, está integrado con otros servicios de Azure como Data Factory y DevOps, así como con GitHub.
Enlace de GitHub: Pythondeveloper6/Awesome-MLOPS
El repositorio contiene enlaces a varios recursos gratuitos disponibles en línea para MLOps. Estos recursos incluyen vídeos de YouTube, hojas de ruta profesionales, cuentas de LinkedIn a seguir, libros, blogs, cursos gratuitos y de pago, comunidades, proyectos y herramientas. Puede encontrar casi todo lo relacionado con MLOps en un solo lugar, por lo que en lugar de buscar varias cosas en línea, puede simplemente visitar el repositorio y aprender.
Enlace de GitHub: guía-mlops/mlops-guide.github.io
El repositorio lo llevará a un sitio estático alojado en GitHub que ayudará a proyectos y empresas a construir un entorno MLOps más confiable. Cubre los principios de MLOP, guías de implementación y flujo de trabajo del proyecto.
Enlace de GitHub: kelvins/increíble-mlops
El repositorio contiene una lista de herramientas MLOps que se pueden utilizar para AutoML, CI/CD para aprendizaje automático, monitoreo de trabajos cron, catálogo de datos, enriquecimiento de datos, exploración de datos, gestión de datos, procesamiento de datos, validación de datos, visualización de datos, detección de deriva. Ingeniería de funciones, almacén de funciones, ajuste de hiperparámetros, intercambio de conocimientos, plataforma de aprendizaje automático, equidad y privacidad del modelo, interpretabilidad del modelo, ciclo de vida del modelo, servicio de modelos, prueba y validación de modelos, herramientas de optimización, herramientas de simplificación y análisis y depuración visual.
Enlace de GitHub: SkafteNicki/dtu_mlops
Este es un repositorio para la DTU. curso 02476, que incluye ejercicios y materiales adicionales para el curso de operaciones de aprendizaje automático. El curso dura tres semanas y cubre temas como prácticas de desarrollo, reproducibilidad, automatización, servicios en la nube, implementación y temas avanzados como monitoreo y escalado para aplicaciones de aprendizaje automático.
Enlace de GitHub: GokuMohandas/mlops-curso
El curso se centra en enseñar a los estudiantes cómo diseñar, desarrollar, implementar e iterar aplicaciones de aprendizaje automático de nivel de producción utilizando las mejores prácticas, escalando cargas de trabajo de aprendizaje automático, integrando componentes MLOps y creando flujos de trabajo de CI/CD para una mejora continua y una implementación perfecta.
Enlace de GitHub: DataTalksClub/mlops-zoomcamp
Uno de mis cursos favoritos para aprender un nuevo concepto mediante la construcción de un proyecto. El curso MLOps de DataTalks.Club enseña los aspectos prácticos de poner en producción servicios de aprendizaje automático, desde la capacitación y la experimentación hasta la implementación y el monitoreo de modelos. Está diseñado para científicos de datos, ingenieros de aprendizaje automático, ingenieros de software e ingenieros de datos que estén interesados en aprender cómo poner en práctica flujos de trabajo de aprendizaje automático.
Enlace de GitHub: featurestoreorg/curso-ml-sin-servidor
Este curso se centra en el desarrollo de sistemas completos de aprendizaje automático con capacidades sin servidor. Permite a los desarrolladores crear servicios predictivos sin necesidad de experiencia en Kubernetes o computación en la nube. Pueden hacerlo escribiendo programas Python y utilizando funciones sin servidor, canales de inferencia, almacenes de funciones y registros de modelos.
Dominar MLOps es esencial para garantizar la confiabilidad, escalabilidad y eficiencia de los proyectos de aprendizaje automático en producción. Los repositorios enumerados anteriormente ofrecen una gran cantidad de conocimientos, ejemplos prácticos y herramientas esenciales para ayudarlo a comprender y aplicar los principios de MLOps de manera efectiva. Ya sea que sea un principiante que busca comenzar o un practicante experimentado que busca profundizar sus conocimientos, estos recursos brindan información valiosa y orientación en su camino hacia el dominio de MLOps.
Consulte la plataforma de aprendizaje de IA llamada Travis, que puede ayudarte a dominar MLOps y sus conceptos más rápido. Travis genera explicaciones sobre el tema y usted puede hacer preguntas de seguimiento. Además, puede realizar su propia investigación, ya que proporciona enlaces a blogs y tutoriales publicados por las principales publicaciones en Medium, Substacks, blogs independientes, documentación oficial y libros.
Abid Ali Awan (@ 1abidaliawan) es un científico de datos profesional certificado al que le encanta crear modelos de aprendizaje automático. Actualmente, se centra en la creación de contenidos y en la redacción de blogs técnicos sobre tecnologías de ciencia de datos y aprendizaje automático. Abid tiene una maestría en gestión de tecnología y una licenciatura en ingeniería de telecomunicaciones. Su visión es construir un producto de inteligencia artificial utilizando una red neuronal gráfica para estudiantes que luchan contra enfermedades mentales.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
- PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
- PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
- PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
- Fuente: https://www.kdnuggets.com/10-github-repositories-to-master-mlops?utm_source=rss&utm_medium=rss&utm_campaign=10-github-repositories-to-master-mlops
