Contents Menu Expand Light mode Dark mode Auto light/dark, in light mode Auto light/dark, in dark mode Skip to content
E72.1.02 Implementación de modelos de aprendizaje automático
E72.1.02 Implementación de modelos de aprendizaje automático

Arquitecturas de datos

  • Introducción
    • Los datos como un activo
    • Ciclo de vida de los datos
    • Tipos de datos
    • Velocidades de datos
    • Versionamiento
  • Arquitecturas de datos empresariales
    • Organización y componentes
      • Origenes de datos
      • Componentes de ingesta
      • Componentes de almacenamiento
      • Componentes de procesamiento
      • Componentes de análitica
      • Componentes de consumo y visualización
    • Cloud Computing y Big Data
    • Arquitecturas estandar
    • Equipos y personas

Ciclo de desarrollo

  • Introducción
  • Entendimiento del problema
    • Definición del problema
    • Adquisición de datos
  • Preparación de los datos
    • Preparación de datos
      • Creando rutinas de preprocesamiento con Scikit-Learn
      • Creando rutinas de preprocesamiento declarativas
      • Verificación de calidad de datos con Great Expectations
    • Ingeniería de predictores
      • Búsqueda y selección de predictores
      • Feature stores
  • Modelado
    • Entrenamiento del modelo
      • Experimentos y ensayos
      • Tuneo de hiperparámetros
        • Búsqueda y exploración de hiperparámetros
        • Búsqueda de hiperparámetros utilizando Optimización Bayesiana
      • Sesgo-varianza
    • Selección del modelo
      • Evaluación offline
        • Ejemplo: Comparando modelos utilizando una prueba de McNemar
        • Ejemplo: Comparando modelos utilizando 5x2 cross-validation
      • Análisis de errores
        • Análisis de errores en conjunto de validación
        • Análisis de atributos protegidos con fairlearn
        • Análisis de errores con What-If
        • Análisis de modelos con TensorFlow Model Analysis
  • Operacionalización
    • Preparación del modelo
      • Portabilidad
        • Empaquetado de modelos con MLflow
      • Vinculación de datos en inferencia
      • Performance
    • Validación del modelo
      • Modelo de riesgo
      • Control de calidad
        • Validación con datos generados sintéticamente
      • Robustes
      • Reproducibilidad y auditabilidad
      • Seguridad
        • Cleverhans
        • Foolbox
    • Interpretación
      • Interpretación de modelos tabulares con feature importance
      • Interpretación de modelos tabulares con LIME
    • Despliegue del modelo
      • Contenerización
      • Estratégias de depliegue
        • Análisis automático de Canary Releases
      • Escalamiento
    • Monitoreo
      • Diagnóstico y alertas
      • Evaluación en linea
        • Estimación de la performance en linea para un modelo de aprendizaje
      • Desviaciones
        • Clasificador de dominio (desviación covariable)
        • Distancia de Wasserstein (desviación covariable y de concepto)
        • Population Stability Index (PSI) - (desviación covariable y de concepto)

Proyectos basados en datos

  • Introducción
  • MLOps
    • Desarrollo ágil
    • CI/CD
Back to top
Copyright © 2025, Universidad de Buenos Aires (FCE-UBA) - Profesores: Facundo Santiago, Yamila Adriana Zakhem
Made with Sphinx and @pradyunsg's Furo