Machine Learning

Lista de deseos Compartir

Acerca de este curso

La Especialización en Machine Learning y MLOps te prepara para diseñar, implementar y operar sistemas de aprendizaje automático en producción. Aprenderás desde programación en Java y Scala hasta Big Data con Spark, implementación de modelos de ML, contenerización con Docker, orquestación con Kubernetes y prácticas de MLOps como CI/CD, seguimiento de experimentos y monitoreo de modelos. Al finalizar, estarás listo para desempeñarte como especialista en campos como ML, MLOps o en despliegue de modelos de IA en entornos cloud escalables.

Contenido del curso

Fundamentos de Java para Desarrollo de Sistemas de Machine Learning
Aprende Java desde cero con un enfoque práctico orientado al desarrollo de sistemas para machine learning. Domina estructuras básicas, programación orientada a objetos, manejo de archivos, excepciones y herramientas como Maven o Gradle para gestionar proyectos de forma profesional.

  • 1: Introducción a Java
    08:38
  • 2: Tipos de Datos y Variables
    07:54
  • 3: Operadores Aritméticos
    07:56
  • 4: Condicionales Simples (Primera parte)
    06:17
  • 5: Condicionales Simples (Segunda parte)
    06:57
  • 6: Condicionales anidados
    09:56
  • 7: Condicional Switch
    10:35
  • 8: Estructura While
    09:03
  • 9: Bucles infinitos
    06:32
  • 10: Estructura for
    08:12
  • 11: Programación Orientada a Objetos en Java (Clases, Objetos, Herencia)
    11:59
  • 12: Manejo de Excepciones en Java (Cat, Try y Finally)
    10:52
  • 13: Entrada y salida IO (Primera parte)
    08:34
  • 14: Entrada y salida IO (Segunda parte)
    12:43
  • 15: Manejo de Ficheros
    08:34
  • 16: Introducción a Maven/Gradle para Gestión de Dependencias
    11:34

Introducción a Scala y Ecosistema Big Data (Spark)
Domina los fundamentos de Scala y su uso en entornos de Big Data. Aprende programación funcional, colecciones y cómo trabajar con Apache Spark para procesar grandes volúmenes de datos. Ideal para quienes buscan aplicar ML en entornos distribuidos con Spark MLlib.

Implementación Avanzada de Algoritmos de Machine Learning
Profundiza en la implementación práctica de algoritmos de machine learning con Python. Aprende a optimizar modelos, seleccionar características relevantes y preparar tus desarrollos para entornos productivos con foco en escalabilidad y rendimiento.

Contenerización con Docker para Machine Learning
Aprende a usar Docker para encapsular, distribuir y ejecutar modelos de machine learning de forma reproducible. Desde la instalación hasta la creación de imágenes, volúmenes y uso de Docker Compose, este curso es clave para trabajar con ML en entornos modernos y escalables.

Orquestación de ML con Kubernetes
Domina Kubernetes para desplegar y gestionar modelos de ML en producción. Aprende a trabajar con Pods, Services, volúmenes persistentes, ConfigMaps y Helm para automatizar y escalar aplicaciones contenerizadas de forma eficiente.

MLOps: Principios y Herramientas para el Ciclo de Vida de ML
Conoce los fundamentos de MLOps y cómo gestionar todo el ciclo de vida de modelos de machine learning. Explora herramientas como Git, DVC, MLflow, y técnicas de CI/CD, monitoreo y control de versiones para garantizar calidad, trazabilidad y eficiencia en entornos reales.

Despliegue de Modelos de Machine Learning
Aprende a desplegar modelos de ML en plataformas cloud como AWS, Azure o con herramientas como TensorFlow Serving y TFX. Este curso te capacita para llevar modelos desde el desarrollo hasta la producción, garantizando disponibilidad, rendimiento y mantenibilidad.

Scroll al inicio