Pasar al contenido principal
heroMaestrias

Programa

MLOPS APLICADO

Domina el ciclo de vida de modelos de Machine Learning en producción con enfoque práctico en MLOps

Inicio: 2 de octubre

Duración: 94.5 horas lectivas

Modalidad: Online en vivo

Costo: S/ 8,300

Certificaciones:

Obtén un certificado digital al aprobar satisfactoriamente el Programa en MLOps Aplicado.

El curso tiene como propósito que puedas:

  • → Diseñar e implementar pipelines robustos que lleven modelos de Machine Learning desde la experimentación hasta la producción.
 
  • → Automatizar procesos clave como el entrenamiento, validación, despliegue y mantenimiento continuo de modelos, utilizando herramientas prácticas de MLOps.
 
  • → Monitorear y optimizar modelos en tiempo real, detectando desviaciones y corrigiendo fallas antes de que impacten en el negocio.
 
  • → Integrar buenas prácticas de seguridad, cumplimiento normativo y principios éticos en todo el ciclo de vida del modelo.

DESCRIPCIÓN
DEL PROGRAMA

Dirigido a:

→ Profesionales técnicos con experiencia previa en ciencia de datos, desarrollo de modelos o ingeniería de software, que buscan especializarse en el despliegue y gestión eficiente de modelos de Machine Learning:

→ Ingenieros de Machine Learning y científicos de datos técnicos que desean llevar sus modelos a producción con robustez y escalabilidad.


→ Ingenieros de software que integran soluciones de ML en sistemas empresariales.

 

→ Especialistas en analítica avanzada o inteligencia artificial interesados en automatizar y monitorear modelos operativos.

 

→ Profesionales técnicos que buscan aplicar MLOps en entornos reales, usando herramientas actuales del ecosistema.

 

→ Profesionales en datos como ingenieros de datos, arquitectos de datos y perfiles similares. Interesados en habilitar, optimizar o gestionar el despliegue de modelos de Machine Learning en arquitecturas modernas.

 

→ *Es indispensable contar con conocimientos intermedios de programación y manejo de GitHub. 

 

En este programa:

→ Implementarás y mantendrás modelos de Machine Learning en producción con un enfoque ágil, automatizado y seguro.

→ Diseñarás arquitecturas de datos, pipelines y flujos de trabajo reproducibles y escalables.

→ Monitorearás, optimizarás y actualizarás modelos operativos, anticipando fallas y garantizando valor de negocio.

 

→ Integrarás principios éticos, de seguridad y cumplimiento normativo en proyectos de inteligencia artificial aplicada.

 

→ Dominarás herramientas líderes de MLOps para trabajar en equipos multidisciplinarios y entornos empresariales exigentes.

 

TEMARIO
DEL PROGRAMA

→ Módulo 0
  • Onboarding
→ Módulo 1: Introducción a MLOps
  • ¿Qué es realmente MLOps y por qué es importante en la industria?
  • MLOps como ventaja estratégica y operacional.
  • Ciclo de vida práctico de proyectos Machine Learning en producción.
  • Niveles de Madurez MLOps.
→ Módulo 2: Herramientas MLOps - Entornos reproducibles
  • Ambientes reproducibles: virtualenv, Conda, pip-tools, contenedores
  • Introducción a Docker y contenedores en proyectos de ML.
→ Módulo 3: Herramientas MLOps - Automatizaciones con GITHUB Actions
  • CI/CD para ML: conceptos y diseño de workflows.
  • GitHub Actions para testing, linting, entrenamiento y despliegue de ML.
→ Módulo 4: Herramientas MLOps - MLFlow para versionamiento de artefactos y modelos
  • MLflow Tracking: experimentos y parámetros.
  • MLflow Registry: gestión y despliegue de modelos versionados.
→ Módulo 5: Fundamentos de arquitectura e ingeniería de datos para MLOps
  • Optimización de modelos y recursos en producción
  • Construcción de pipelines de datos y su rol en MLOps.
  • Fundamentos de arquitectura moderna de datos para ML.
→ Sesión de asesoría.
→ Módulo 6: Infraestructura como código para despliegue de entornos cloud con Terraform en AWS
  • Optimización de modelos y recursos en producción
  • Despliegue básico de infraestructura en AWS/GCP para MLOps.
  • Introducción a Terraform: providers, recursos y estado.
→ Módulo 7: Diseño de sistemas de Machine Learning (ML)
  • Optimización de modelos y recursos en producción
  • Optimización de Hiperparámetros y eficiencia en entrenamiento.
  • Validación de modelos: métricas, overfitting, testeo.
  • Entrenamiento reproducibles, manejo de experimentos y artefactos con mlflow.
  • Pipelines de procesamiento y entrenamiento con GitHub Actions.
→ Módulo 8: Infraestructura como código para despliegue de entornos cloud con Terraform en AWS
  • Optimización de modelos y recursos en producción
  • Optimización de Hiperparámetros y eficiencia en entrenamiento.
  • Validación de modelos: métricas, overfitting, testeo.
  • Entrenamiento reproducibles, manejo de experimentos y artefactos con mlflow.
  • Pipelines de procesamiento y entrenamiento con GitHub Actions.
  • Pruebas automatizadas de validación de modelos ML.
→ Sesión de asesoría.
→ Módulo 9: Despliegue, operacionalización y monitoreo de modelos ML en producción
  • Optimización de modelos y recursos en producción
  • Despliegue automático CI/CD para ML usando pipelines de GitHub Actions y mlflow en AWS.
  • Exposición de modelos Real Time: APIs con FastAPI y Flask.
  • Data Drift, Model Drift, Concept Drift.
  • Despliegue de modelos ML con estrategias de inferencia Batch y Real Time.
  • Data Drift, Model Drift, Concept Drift.
  • Despliegue de modelos ML con estrategias de inferencia Batch y Real Time.
  • Pipelines de inferencia y monitoreo de modelos ML con GitHub Actions en AWS.
  • Despliegue automático CI/CD para ML usando pipelines de GitHub Actions y mlflow en AWS.
  • Exposición de modelos Real Time: APIs con FastAPI y Flask.
→ Módulo 10: Orquestación y automatización de flujos MLOps
  • Optimización de modelos y recursos en producción
  • Workflow Orchestration e interacción práctica de modelos ML.
  • Integración de pipelines de datos y pipelines ML.
→ Sesión de asesoría.
→ Módulo 11: Seguridad, compliance y ética en MLOps
  • Optimización de modelos y recursos en producción
  • Auditoría ética y transparencia en sistemas basados en ML: fairness, explicabilidad, privacidad
  • Seguridad avanzada para despliegue y mantenimiento de modelos ML.
→ Módulo 12: Escalabilidad avanzada y optimización del rendimiento
  • Optimización de modelos y recursos en producción
  • Introducción a FinOps: monitoreo y reducción de costos en cloud
  • Técnicas avanzadas de escalabilidad (autoescalado, serverless, otros)
→ Entrega del proyecto.

Horario de clases

Martes y jueves de 7:00 p. m. a 10:00 p. m.

Evaluación y trabajo final

Evaluación

→ Proyecto final: 50  %

→ Evaluación continua: 50 %

→ Total: 100  % 

CERTIFICACIONES

certification

UTEC Posgrado te otorgará un certificado digital al aprobar el Programa en MLOps Aplicado.

ESTUDIA
CON NOSOTROS _

Networking

Amplía tu red de contactos, encuentra oportunidades laborales. Además, aprende de otros profesionales y construye una reputación sólida en tu campo.

Asistente Virtual

Recibe acompañamiento durante todo el programa. Contarás con el apoyo de un asistente que responde tus consultas y realiza seguimiento a tu aprendizaje para asegurarnos que se cubren los objetivos trazados.

Método UTEC Posgrado

Nuestra metodología se basa en la participación activa, discusiones, estudio de casos, generación de sinergia a través de los proyectos grupales, simulaciones y otras actividades prácticas que te permite aplicar lo que estás aprendiendo.

Practitioner

CONOCE A NUESTROS EXPERTOS

Nuestra comunidad de docentes y practitioners está formada por expertos con una amplia experiencia en el campo académico.

Sergio Falcón

Chapter leader Data Scientist

Excepcionalmente, podrían existir modificaciones en la plantilla de practitioners por imprevistos o razones de fuerza mayor.

Solicita más información

Deja tus datos en el formulario y nos pondremos en contacto para resolver todas tus dudas

Datos personales