📍Lleva a PRODUCCIÓN un MODELO de MACHINE LEARNING | Sin morir en el intento

¡Ponte en práctica! Caso de Machine Learning en producción en vivo.

María Camila Durango, Machine Learning Dev. en Mercado Libre

Resumen de temas tratados en la charla:

Introducción
1. María Camila Durango, Machine Learning Developer
2. Pasos para llevar un modelo de Machine Learning a producción
3. Exploración y limpieza de datos
4. Entrenamiento y validación de modelos
5. Validación de modelos
6. Ingeniería de características
7. Empaquetado de modelos con Pickle
8. Empaquetado de modelos con TensorFlow Hub
9. Despliegue de modelos con Docker
10. Despliegue de modelos con una API
11. Monitoreo de modelos
12. Caso de estudio
13. Implementación de un modelo de Machine Learning para predecir el riesgo de fraude
14.Reflexiones
15. ¿Qué aprendí de esta experiencia?
16. Recomendaciones para el futuro



tags:
Machine Learning, Despliegue en Producción, Ciencia de Datos, Deep Learning, Reconocimiento de Entidades, Computación en la Nube, Entrenamiento de Modelos, Docker, Integración Continua, Desarrollo de API, Programación en Python, Pruebas de Modelo, Versionado de Datos, Optimización de Costos, Impacto en el Negocio, Desarrollo de Software, Modelos de Procesamiento de Lenguaje Natural, Aprendizaje Supervisado, Aprendizaje No Supervisado, Aprendizaje por Refuerzo, Procesamiento en Tiempo Real, Modelos en Streaming, Evaluación de Modelos, Empaquetado de Modelos, Infraestructura en la Nube, Inferencia de Modelos, Pruebas Unitarias, Limpieza de Datos, Buenas Prácticas de Codificación, Monitoreo de Modelos, Toma de Decisiones, Tendencias Tecnológicas.