Mientras la mayor’a de los libros te ense–an quŽ es MLOps, Žste te ense–a c—mo construirlo paso a paso, con una estructura de carpetas profesional que podr‡s copiar y pegar en tu pr—ximo proyecto.
Deja de crear experimentos. Empieza a construir soluciones.
Muchos cient’ficos de datos dominan la experimentaci—n, pero se detienen ante el "abismo" de la puesta en producci—n. Este libro es el puente que necesitas para cruzarlo.
ÀPara quiŽn es este libro?
Este libro est‡ escrito para Cient’ficos de Datos, Analistas y Desarrolladores que ya saben programar en Python y entienden lo b‡sico de Machine Learning, pero que se sienten perdidos cuando escuchan tŽrminos como Docker, API, CI/CD o Kubernetes. No necesitas ser un experto en infraestructura; este libro te ense–ar‡ desde cero c—mo piensa un ingeniero de software.
ÀQuŽ vas a encontrar dentro?
A travŽs de un caso pr‡ctico, dejaremos atr‡s los scripts de un notebook para construir un pipeline. Aprender‡s a:
¥ Modularizar tu c—digo: Romper el Notebook en piezas l—gicas y reutilizables.
¥ Crear Contratos de Datos: Usar Pydantic para control de calidad de datos.
¥ Contenerizar con Docker: Empaquetar tu soluci—n para el despliegue.
¥ Desplegar APIs reales: Crear servicios con Streamlit o FastAPI.
¥ Orquestar y Monitorizar: Entender cu‡ndo y c—mo usar Airflow y mlflow.
ÀPor quŽ este libro es diferente?
A diferencia de otros manuales te—ricos y densos, este es un libro ejecutivo y radicalmente pr‡ctico. No perderemos el tiempo en definiciones infinitas. Aqu’, cada concepto te—rico se traduce inmediatamente en un archivo .py, un comando de terminal o un contenedor funcionando., Python, MLOps, ML, CICD, Docker, Machine Learning, Pablo J Moreno Gonzalez| 9781291887815 | 104PAGES