1. Visión general de los sistemas de aprendizaje automático. -- Entender los sistemas de aprendizaje automático. -- 2. Introducción al diseño de sistemas de aprendizaje automático. -- Objetivos empresariales y de LD. -- Requisitos de los sistemas de ML. -- La mente frente a los datos. -- 3. Fundamentos de ingeniería de datos. -- Modelos de datos. -- Motores de almacenamiento y tratamiento de datos. -- Modos de flujo de datos. -- Procesamiento por lotes frente a procesamiento por flujos. -- 4. Datos de entrenamiento. -- Muestreo. -- Etiquetado. -- Desequilibrio de clases. -- Aumento de datos. -- 5. Ingeniería de funciones. -- Características aprendidas frente a características diseñadas. -- Operaciones comunes de ingeniería de funciones. -- Fuga de datos. -- Ingeniería Buenas características. -- 6. Desarrollo de modelos y evaluación offline. -- Desarrollo de modelos y formación. -- Modelo de evaluación offline. -- 7. Servicio de despliegue y predicción de modelos. -- Mitos sobre la implantación del aprendizaje automático. -- Predicción por lotes frente a predicción en línea. -- Modelo Compresión. -- ML en la nube y en la periferia. -- 8. Turnos de distribución de datos y supervisión. -- Causas de los fallos del sistema de ML. -- Cambios en la distribución de datos. -- Control y observabilidad. -- 9. Aprendizaje continuo y pruebas en producción. -- Aprendizaje continuo. -- Prueba en producción. -- 10. Infraestructura y herramientas para MLOps. -- Almacenamiento e informática. -- Entorno de desarrollo. -- Gestión de recursos. -- Plataforma ML. -- 11. El lado humano del aprendizaje automático. -- Experiencia del usuario. -- Estructura del equipo. -- IA responsable.

Los sistemas de aprendizaje automático son complejos y únicos. Complejos porque constan de muchos componentes diferentes e implican a muchas partes interesadas distintas. Únicos porque dependen de los datos, que varían enormemente de un caso de uso a otro. En este libro, aprenderá un enfoque holístico para diseñar sistemas de ML que sean fiables, escalables, mantenibles y adaptables a entornos y requisitos empresariales cambiantes. El autor, Chip Huyen, cofundador de Claypot AI, considera cada decisión de diseño -como la forma de procesar y crear datos de entrenamiento, qué características utilizar, con qué frecuencia volver a entrenar los modelos y qué supervisar- en el contexto de cómo puede ayudar a su sistema en su conjunto alcance sus objetivos. El marco iterativo de este libro utiliza estudios de casos reales respaldados por amplias referencias. Este libro le ayudará a afrontar situaciones como: 1. Ingeniería de datos y elección de las métricas adecuadas para resolver un problema empresarial; Automatizar el proceso de desarrollo, evaluación, despliegue y actualización continuos de los modelos; Desarrollar un sistema de vigilancia para detectar y abordar los problemas que sus modelos pueden encontrar en la producción; Arquitectura de una plataforma de ML que sirva para distintos casos de uso; Desarrollo de sistemas responsables de LD

Unicoc Ingeniería de Sistemas

Español