К содержимому
learnspaceYOUR NEXT CHAPTER
ПРОСТРАНСТВО ОБУЧЕНИЯ
ГлавнаяКаталог курсовМоё обучениеCoursera

Знания без границ

Учитесь у лучших университетов и компаний мира.

Открыть Coursera
Интеграция
Пространство университета
Моё пространствоСтраница курса
↵
ЯЛичный кабинетСтудент
© 2026 LearnSpaceКаждый день — возможность узнать больше.Помощь
ML Pipelines on Google Cloud en Español · LearnSpace
Назад в каталог
courseraАнализ данных

ML Pipelines on Google Cloud en Español

Курс от Google Cloud
Продвинутый≈ 3.8 чИспанский
О курсеНавыкиПрограммаПреподаватели

О курсе

En este curso, aprenderá de los ingenieros y capacitadores de AA que trabajan en el desarrollo de vanguardia de las canalizaciones de AA en Google Cloud. En los primeros módulos, se abordará TensorFlow Extended (o TFX), la plataforma de aprendizaje automático de producción de Google basada en TensorFlow para la administración de canalizaciones y metadatos de AA. Aprenderá sobre los componentes y la organización de las canalizaciones con TFX. También aprenderá cómo automatizar su canalización mediante la integración y la implementación continuas, y cómo administrar ML Metadata. Luego, cambiaremos el enfoque para analizar cómo podemos automatizar y volver a usar las canalizaciones de AA en múltiples frameworks de AA, como TensorFlow, PyTorch, scikit-learn y XGBoost. Además, aprenderá a usar Cloud Composer, otra herramienta de Google Cloud, para organizar sus canalizaciones de entrenamiento continuo. Por último, aprenderá a usar MLflow para administrar el ciclo de vida completo del aprendizaje automático.

Навыки, которые вы освоите

CI/CDGoogle Cloud PlatformTensorflowData PipelinesMetadata ManagementApache AirflowModel DeploymentContinuous DeploymentMLOps (Machine Learning Operations)Model OptimizationModel Training

Программа курса

9 модулей · 41 учебных материалов

01Introducción 1 материалов

Descripción general

Introducción al cursoВидео
02Introducción a las canalizaciones de TFX7 материалов

Introduction to TFX Pipelines

TensorFlow Extended (TFX)ВидеоConceptos de TFXВидеоComponentes de datos estándar de TFXВидео

Учитесь у экспертов

Google Cloud Training

Преподаватель курса

ML Pipelines on Google Cloud en Español
В каталоге вашей программы

Инвестируйте в себя

Новые знания — в удобное для вас время.

Начать на Coursera

Обучение откроется на Coursera
в новой вкладке

Обучение на Coursera

≈ 3.8 ч

9 модулей

Язык: Испанский

Субтитры: Английский

Часть программы вашего университета
Componentes de modelos estándar de TFXВидео
Nodos de canalizaciones de TFXВидео
Bibliotecas de TFXВидео
CuestionarioЗадание
03Organización de las canalizaciones con TFX4 материалов

Descripción general

Organizadores de TFXВидеоApache BeamВидеоTFX en Cloud AI PlatformВидеоCuestionarioЗадание
04Componentes personalizados y CI/CD para canalizaciones de TFX4 материалов

Descripción general

Componentes personalizados de TFX: funciones de PythonВидеоComponentes personalizados de TFX: contenedores y subclasesВидеоCI/CD para flujos de trabajo de canalizaciones de TFXВидеоCuestionarioЗадание
05ML Metadatos con TFX3 материалов

Descripción general

Metadatos de canalizaciones de TFXВидеоModelo de datos de ML Metadata de TFXВидеоCuestionarioЗадание
06Entrenamiento continuo con múltiples SDK, Kubeflow y AI Platform Pipelines5 материалов

Descripción general

Aplicaciones de entrenamiento alojadas en contenedoresВидеоAloje en contenedores aplicaciones de PyTorch, scikit‑learn y XGBoostВидеоKubeflow y AI Platform PipelinesВидеоEntrenamiento continuoВидеоCuestionarioЗадание
07Entrenamiento continuo con Cloud Composer6 материалов

Descripción general

¿Qué es Cloud Composer?ВидеоConceptos básicos de Apache AirflowВидеоCanalizaciones de entrenamiento continuo con Cloud Composer (datos)ВидеоCanalizaciones de entrenamiento continuo con Cloud Composer (modelo)ВидеоApache Airflow, contenedores y TFXВидеоCuestionario Задание
08Canalizaciones de AA con MLflow10 материалов

Descripción general

IntroducciónВидеоDescripción general de los desafíos de desarrollo del AAВидеоCómo se superan estos desafíos con MLflowВидеоSeguimiento de MLflowВидеоProyectos de MLflowВидеоModelos de MLflowВидеоRegistro del modelo de MLflowВидеоDemostración: Implemente MLflow de forma local.ВидеоDemostración: MLflow con Databricks Community EditionВидеоCuestionarioЗадание
09Resumen 1 материалов

Resumen

Resumen del cursoВидео