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

Gerente Data Scientist

José Mejía Gamarra

Senior Machine Learning Engineer

Luis Casallas

Ingeniero DevSecOps

Daniel Alpiste

Squad Leader - MLOps Engineering

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