Gradient to Production: MLOps & Model Serving
Construir sistemas de ML de nivel de producción
Certificado oficial emitido por la SEPA través del Gobierno del Estado de México
12 meses de acceso
En línea · 240 h
15 unidades
Nivel intermedio
Qué aprenderás
Lo que serás capaz de hacer
La mayoría de los profesionales del aprendizaje automático saben crear modelos. Muchos menos saben cómo enviarlos de forma fiable, mantenerlos a lo largo del tiempo y operar los sistemas que los rodean. Gradient to Production es un programa completo de nivel intermedio diseñado para científicos de datos, ingenieros de ML e ingenieros analíticos que están listos para pasar del cuaderno a la producción. A través de 15 cursos enfocados, usted construirá la pila completa de habilidades MLOps que los equipos modernos de IA requieren: diseño de pipelines de datos resistentes, ingeniería de paquetes reutilizables de Python, despliegue y contenerización de modelos, servicio de APIs de inferencia, pruebas rigurosas de sistemas ML, monitoreo de deriva y documentación de su trabajo para que los equipos puedan confiar y construir sobre él. Usted trabajará con herramientas y marcos utilizados en toda la industria, incluyendo FastAPI, Docker, Kubernetes, Apache Airflow, scikit-learn, GitHub Actions y pytest. Cada curso combina una instrucción concisa con laboratorios prácticos, coaching guiado y flujos de trabajo realistas que reflejan cómo funcionan realmente los equipos de ML de producción. Al final del programa, estará equipado para diseñar, implementar, probar, supervisar y mantener sistemas de ML de extremo a extremo, con la disciplina de ingeniería, el juicio operativo y las habilidades de comunicación que distinguen a los profesionales que experimentan de los ingenieros que entregan.
- Diseñar y gestionar flujos de datos de aprendizaje automático (ML) para la producción mediante flujos de trabajo ETL/ELT, almacenes de características y métricas de estado basadas en acuerdos de nivel de servicio (SLA).
- Crea, containeriza e implementa API de inferencia de aprendizaje automático utilizando FastAPI, Docker, Kubernetes y procesos automatizados de CI/CD.
- Probar, supervisar y mantener los sistemas de aprendizaje automático en producción mediante la detección de desviaciones, conjuntos de pruebas de regresión y evaluaciones comparativas del rendimiento.
- Desarrollar paquetes de Python reutilizables y comprobables, y documentar los sistemas de aprendizaje automático según los estándares profesionales de producción.
Habilidades que desarrollarás
Evaluación de modelos
MLOps (operaciones de aprendizaje automático)
Pruebas de regresión
Kubernetes
Docker (software)
Ingeniería de características
Contenerización
Documentación de software
Canalizaciones de datos
Git (sistema de control de versiones)
Apache Airflow
Documentación técnica
Microservicios
CI/CD
Pruebas unitarias
Diseño de API
Métrica de desempeño
Programación en Python
Control de versiones
Verificación y validación
Temario
UNIDAD 1 - Optimizar el desarrollo de ML: versionar, reproducir y guardar · 19 leccionesOptimizar el desarrollo de ML: versionar, reproducir y guardar - UNIDAD 1 - Optimizar el desarrollo de ML: versionar, reproducir y guardar
UNIDAD 1 - Optimizar el desarrollo de ML: versionar, reproducir y guardar · 19 lecciones
Optimizar el desarrollo de ML: versionar, reproducir y guardar - UNIDAD 1 - Optimizar el desarrollo de ML: versionar, reproducir y guardar
- Vídeo de bienvenida e introducción al curso
- Por qué son importantes las estrategias de ramificación en los proyectos de aprendizaje automático
- Cómo Git Branching contribuye al desarrollo del ML
- Comparación de los flujos de trabajo de Git: Lo que debe saber
- Creación de una rama de características y gestión de artefactos
- Actividad práctica: Crear una rama de funciones y enviar artefactos de ML
- Cuestionario práctico: Patrones de ramificación, higiene de commit, gestión de artefactos
- Por qué la reproducibilidad es una habilidad innegociable en ML
- Comprender los entornos virtuales para el desarrollo de aprendizaje automático
- Comprender la especificación de pyproject.toml
- Inicialización de un proyecto de Poetry y bloqueo de dependencias
- Crea un entorno de poesía reproducible para tu flujo de trabajo de aprendizaje automático
- Por qué es importante la supervisión de recursos en la experimentación con aprendizaje automático
- Comprender el coste de la computación en el desarrollo de aprendizaje automático
- Desarrollo remoto con VS Code para flujos de trabajo de aprendizaje automático
- Detectar cuellos de botella en los recursos y trasladar los trabajos a recursos informáticos más económicos
- Actividad práctica: Analizar las métricas de los recursos y recomendar medidas de optimización de costes
- Felicitaciones y aprendizaje continuo
- Prueba evaluada: Optimización del desarrollo de aprendizaje automático
UNIDAD 2 - Creación de paquetes Python comprobables para IA · 18 leccionesCreación de paquetes Python comprobables para IA - UNIDAD 2 - Creación de paquetes Python comprobables para IA
UNIDAD 2 - Creación de paquetes Python comprobables para IA · 18 lecciones
Creación de paquetes Python comprobables para IA - UNIDAD 2 - Creación de paquetes Python comprobables para IA
- Vídeo de bienvenida e introducción al curso
- ¿En qué punto falla primero tu código de IA?
- Por qué las estructuras avanzadas hacen que las utilidades de IA sean reutilizables
- Reestructuración del preprocesamiento en flujos de trabajo de generadores
- Dominar las estructuras de Python
- Actividad práctica: Reestructurar un script de preprocesamiento utilizando generadores y decoradores
- Seguimiento de MLflow
- Cuestionario de práctica: Estructuras avanzadas para utilidades de IA reutilizables
- ¿Qué hace que el código esté listo para su implementación en el aprendizaje automático?
- Por qué son importantes las habilidades de empaquetado en la ingeniería de aprendizaje automático
- Cómo estructurar un paquete de Python que se pueda someter a pruebas
- Cómo estructurar un paquete de Python que se pueda probar
- Cómo evitar fallos silenciosos: pruebas unitarias de las utilidades de aprendizaje automático
- Actividad práctica: Escribir pruebas unitarias para un pequeño módulo de utilidades
- Patrones de pruebas unitarias para utilidades de aprendizaje automático
- Compilar y probar el paquete «transformer_utils»
- Felicitaciones y aprendizaje continuo
- Cuestionario calificado: Creación de paquetes de Python que se puedan probar para la IA
UNIDAD 3 - Depurar código ML: Corregir, rastrear y evaluar · 15 leccionesDepurar código ML: Corregir, rastrear y evaluar - UNIDAD 3 - Depurar código ML: Corregir, rastrear y evaluar
UNIDAD 3 - Depurar código ML: Corregir, rastrear y evaluar · 15 lecciones
Depurar código ML: Corregir, rastrear y evaluar - UNIDAD 3 - Depurar código ML: Corregir, rastrear y evaluar
- Bienvenido: Cómo las pruebas le ayudan a depurar ML más rápido
- Tu experiencia con los errores de ML
- Cómo escribir casos de prueba con Pytest para funciones de preprocesamiento de aprendizaje automático
- Pruebas de código de aprendizaje automático: estrategias para detectar defectos en una fase temprana
- Actividad práctica: Escribir pruebas unitarias para una función de ingeniería de características
- Cómo interpretar las trazas de pila: qué revelan sobre tu proceso
- Análisis de registros para sistemas de aprendizaje automático: interpretación de errores, advertencias y señales
- Actividad práctica: Identificar un KeyError causado por la falta de una columna de características
- Explica paso a paso tu razonamiento a la hora de depurar el código
- Pruebas de regresión para el aprendizaje automático: ¿Cuándo se puede considerar que una corrección está realmente resuelta?
- Corrigir, verificar, aprobar: el flujo de trabajo para las correcciones de ML
- Actividad práctica: Ejecutar un conjunto completo de pruebas y comparar las métricas antes y después
- ¿Tu solución ha resuelto realmente el problema?
- Felicitaciones y aprendizaje continuo
- La depuración en la práctica: identificar, corregir y validar defectos en el aprendizaje automático
UNIDAD 4 - Diseñar, validar y controlar los datos de ML · 15 leccionesDiseñar, validar y controlar los datos de ML - UNIDAD 4 - Diseñar, validar y controlar los datos de ML
UNIDAD 4 - Diseñar, validar y controlar los datos de ML · 15 lecciones
Diseñar, validar y controlar los datos de ML - UNIDAD 4 - Diseñar, validar y controlar los datos de ML
- Bienvenida y lo que vas a aprender
- Primeros pasos: tus conocimientos básicos sobre ingeniería de datos
- Por qué el ETL es importante para el aprendizaje automático
- Fundamentos del ETL escalable para el aprendizaje automático
- Ingesta + Limpieza: de los registros de S3 a los datos de aprendizaje automático particionados
- Actividad práctica: Crear y depurar un proceso ETL con Airflow y Spark
- Por qué la calidad y la gobernanza de los datos son importantes para el aprendizaje automático
- ¿En qué aspectos de tu trabajo se manifiesta la deriva de los datos?
- Qué hay que comprobar: las dimensiones de la calidad y el linaje de los datos
- Detección de desviaciones y preparación para la auditoría
- Actividad práctica: validar la calidad y actualizar el linaje tras una desviación del esquema
- Elección de patrones eficaces para la documentación del linaje
- Laboratorio de validación integral de procesos
- Felicitaciones y aprendizaje continuo
- Prueba calificada: Evaluación final de dominio
UNIDAD 5 - Orquestación, análisis y evaluación de canalizaciones de ML · 16 leccionesOrquestación, análisis y evaluación de canalizaciones de ML - UNIDAD 5 - Orquestación, análisis y evaluación de canalizaciones de ML
UNIDAD 5 - Orquestación, análisis y evaluación de canalizaciones de ML · 16 lecciones
Orquestación, análisis y evaluación de canalizaciones de ML - UNIDAD 5 - Orquestación, análisis y evaluación de canalizaciones de ML
- Por qué son importantes los procesos ETL y ELT para los flujos de trabajo de aprendizaje automático
- Gestión del flujo de datos diario de ML
- Coordinación de los flujos de trabajo diarios con Airflow
- Patrones ETL frente a ELT en los sistemas modernos de aprendizaje automático
- Actividad práctica: Diseña un DAG del flujo de aire diario
- Por qué los cambios en el esquema interrumpen los flujos de trabajo
- Revisión de los cambios en el esquema para garantizar la resiliencia del proceso
- Evolución de esquemas y compatibilidad con versiones anteriores
- Guía práctica: Actualización de la lógica de transformación ante cambios en el esquema
- De los procesos de tramitación a los acuerdos de nivel de servicio (SLA)
- Del éxito del proceso de ventas al cumplimiento del SLA
- Una visión global del proceso: desde la captación hasta los SLA
- Actividad práctica: Interpretación de métricas del proceso y detección de incumplimientos del SLA
- Actividad práctica: Laboratorio de fiabilidad de un proceso de aprendizaje automático de principio a fin
- Felicitaciones y aprendizaje continuo
- Cuestionario calificado: Evaluación del diseño y la fiabilidad de un proceso de aprendizaje automático
UNIDAD 6 - Automatice los procesos de ML para obtener el máximo rendimiento · 11 leccionesAutomatice los procesos de ML para obtener el máximo rendimiento - UNIDAD 6 - Automatice los procesos de ML para obtener el máximo rendimiento
UNIDAD 6 - Automatice los procesos de ML para obtener el máximo rendimiento · 11 lecciones
Automatice los procesos de ML para obtener el máximo rendimiento - UNIDAD 6 - Automatice los procesos de ML para obtener el máximo rendimiento
- Por qué la automatización mejora el rendimiento del ML
- Diálogo interactivo: ¿En qué punto se ralentiza tu flujo de trabajo de aprendizaje automático?
- Fundamentos de los pipelines: escalado, codificación y estructura del flujo de trabajo
- Creación de una base sólida: preprocesamiento, regresión logística y configuración del flujo de trabajo
- Automatización de la optimización de modelos con GridSearchCV
- Actividad práctica: crea, ajusta y finaliza tu proceso automatizado
- Publicación de flujos de trabajo como módulos reutilizables: una guía práctica
- Una mirada al pasado: ¿Qué parte de tu proceso de desarrollo te parece más reutilizable?
- Crear y publicar un módulo completo de proceso automatizado
- Felicitaciones y aprendizaje continuo
- Prueba evaluada: Automatización de flujos de trabajo de aprendizaje automático para un rendimiento óptimo
UNIDAD 7 - Evaluar, analizar y modelizar el rendimiento · 17 leccionesEvaluar, analizar y modelizar el rendimiento - UNIDAD 7 - Evaluar, analizar y modelizar el rendimiento
UNIDAD 7 - Evaluar, analizar y modelizar el rendimiento · 17 lecciones
Evaluar, analizar y modelizar el rendimiento - UNIDAD 7 - Evaluar, analizar y modelizar el rendimiento
- ¿Por qué son importantes las métricas en la evaluación de modelos?
- Reflexiones sobre los indicadores de rendimiento de los modelos
- RMSE frente a MAE en modelos de regresión
- Reflexiones sobre los indicadores de rendimiento de los modelos
- Actividad práctica: Ejercicio de emparejamiento del sistema métrico
- Una mirada a la matriz de la confusión
- Reflexiones sobre los errores sistemáticos de los modelos
- Gráficos de residuos para el diagnóstico de regresión
- Diagnóstico de errores sistemáticos en modelos mediante matrices de confusión y gráficos de residuos
- Actividad práctica: Análisis de fallos en el filtro antispam
- Por qué es importante la significación estadística en la comparación de modelos
- Reflexiones sobre la significación estadística en las comparaciones de modelos
- Métricas de bootstrapping paso a paso
- Evaluación de la significación estadística en la supervisión automatizada de modelos
- Práctica de evaluación de modelos de extremo a extremo
- Felicitaciones y aprendizaje continuo
- Cuestionario calificado: Interpretación de métricas y mejoras del modelo
UNIDAD 8 - Desarrolle API de ML listas para la producción con MLOps · 15 leccionesDesarrolle API de ML listas para la producción con MLOps - UNIDAD 8 - Desarrolle API de ML listas para la producción con MLOps
UNIDAD 8 - Desarrolle API de ML listas para la producción con MLOps · 15 lecciones
Desarrolle API de ML listas para la producción con MLOps - UNIDAD 8 - Desarrolle API de ML listas para la producción con MLOps
- Introducción y bienvenida al curso
- Comprender los flujos de trabajo de aprendizaje automático en equipo
- Del cuaderno a la aplicación práctica del aprendizaje automático
- GitFlow y las solicitudes de incorporación de cambios para equipos de aprendizaje automático
- Pipelines de CI/CD y pruebas automatizadas para el aprendizaje automático
- Actividad práctica: Revisión de una solicitud de incorporación de cambios con comprobaciones de integración continua
- De un artefacto de modelo a un servicio API
- Pensar en términos de servicios, no de guiones
- Diseño de API de predicción limpias con FastAPI
- Uso de Protobuf para solicitudes de inferencia de aprendizaje automático
- Actividad práctica: Esbozar un contrato de la API /predict
- Compromisos en el diseño de API en el aprendizaje automático en entorno de producción
- Crear y validar una API de aprendizaje automático de tipo producción
- Felicitaciones y aprendizaje continuo
- Evaluación calificada: API de aprendizaje automático listas para la producción y MLOps
UNIDAD 9 - Implantar y optimizar servicios de ML con confianza · 17 leccionesImplantar y optimizar servicios de ML con confianza - UNIDAD 9 - Implantar y optimizar servicios de ML con confianza
UNIDAD 9 - Implantar y optimizar servicios de ML con confianza · 17 lecciones
Implantar y optimizar servicios de ML con confianza - UNIDAD 9 - Implantar y optimizar servicios de ML con confianza
- Bienvenida y visión general del curso
- Preparando el terreno: tu papel como ingeniero de aprendizaje automático
- Del modelo al servicio: el viaje de la inferencia RESTful
- Implementación de modelos de Scikit-Learn como API REST con Fast API: guía para desarrolladores
- Actividad práctica: Crea tu propia API de inferencia
- Integración continua - Pruebas de confianza
- HOL: Automatizar, compilar y desplegar con acciones de GitHub
- Cuestionario de práctica: Del cuaderno a la producción
- ¿Qué significa realmente «buen rendimiento»?
- Latencia P50, P95 y P99: qué significan realmente estos percentiles (y cómo utilizarlos)
- Medición de la latencia: herramientas, proceso y por qué es importante
- Cómo influyen los valores P90, P95 y P99 en el rendimiento del sistema
- Optimizar con confianza - Escalado y ajustes de contenedores
- Actividad práctica: Realiza pruebas de carga, optimiza y valida tu servicio de aprendizaje automático
- Interpretación de los datos de rendimiento
- Felicitaciones y aprendizaje continuo
- Prueba calificada: Reto sobre la confianza del servicio de inferencia
UNIDAD 10 - Implante, gestione y orqueste sus modelos · 11 leccionesImplante, gestione y orqueste sus modelos - UNIDAD 10 - Implante, gestione y orqueste sus modelos
UNIDAD 10 - Implante, gestione y orqueste sus modelos · 11 lecciones
Implante, gestione y orqueste sus modelos - UNIDAD 10 - Implante, gestione y orqueste sus modelos
- Introducción y bienvenida
- Reflexión previa al curso
- Cómo escribir un archivo Dockerfile para tu modelo
- Publicación en un registro interno
- Por qué es importante la contenedorización
- Despliegue de contenedores en Kubernetes
- Gestión y supervisión de contenedores
- Actividad práctica: crea, implementa y prueba tu modelo
- Reflexiones sobre el despliegue
- Felicitaciones y aprendizaje continuo
- Cuestionario graduado: Despliegue y orquestación de modelos ML
UNIDAD 11 - Automatice y evalúe las pruebas de canalización de ML · 16 leccionesAutomatice y evalúe las pruebas de canalización de ML - UNIDAD 11 - Automatice y evalúe las pruebas de canalización de ML
UNIDAD 11 - Automatice y evalúe las pruebas de canalización de ML · 16 lecciones
Automatice y evalúe las pruebas de canalización de ML - UNIDAD 11 - Automatice y evalúe las pruebas de canalización de ML
- Bienvenida + Por qué son importantes las pruebas de aprendizaje automático
- Tu experiencia con las pruebas de aprendizaje automático
- Por qué fallan los procesos de aprendizaje automático sin pruebas estructuradas
- Pruebas unitarias, de integración y de humo para el aprendizaje automático
- Diseño de casos de prueba a nivel de característica para detectar desviaciones
- Actividad práctica: Elaboración de una matriz de casos de prueba
- Qué hace una suite de regresión
- Identificar los componentes inestables de la tubería
- Configuración de las ejecuciones nocturnas de Pytest
- Estrategias y umbrales de comparación de resultados
- Integración de comprobaciones de desviación en los conjuntos de pruebas de regresión
- Actividad práctica: Escribir una prueba de regresión básica
- Mantenimiento de los conjuntos de datos de referencia
- Configurar un proceso de pruebas de regresión con Pytest que se ejecute cada noche
- Felicitaciones y aprendizaje continuo
- Prueba calificada: Diseño y automatización de pruebas de procesos de aprendizaje automático
UNIDAD 12 - Deconstruir la IA: problemas complejos de ML · 15 leccionesDeconstruir la IA: problemas complejos de ML - UNIDAD 12 - Deconstruir la IA: problemas complejos de ML
UNIDAD 12 - Deconstruir la IA: problemas complejos de ML · 15 lecciones
Deconstruir la IA: problemas complejos de ML - UNIDAD 12 - Deconstruir la IA: problemas complejos de ML
- Bienvenida: Por qué es importante la descomposición en ML
- ¿Cuándo se ha considerado que un sistema de aprendizaje automático es demasiado complejo?
- El pensamiento modular en el aprendizaje automático: conceptos básicos y ventajas
- Los módulos esenciales de los sistemas de aprendizaje automático
- Detección de fraudes en tiempo real: análisis del sistema
- Desglose de un proceso de detección de fraudes en tiempo real
- Comprender el flujo de datos y la latencia en los procesos de aprendizaje automático
- Actividad práctica: Mejorar un diagrama defectuoso de un proceso de aprendizaje automático
- ¿Qué caracteriza a una abstracción eficaz en el aprendizaje automático?
- ¿Qué estilos de abstracción se ajustan a tu forma de pensar?
- Cómo se complementan entre sí los diagramas de flujo, los mapas de sistemas y el pseudocódigo
- Patrón de lectura y escritura en el almacén de características: arquitectura y pseudocódigo
- Actividad práctica: Crear una abstracción mínima para un flujo de trabajo modular de aprendizaje automático
- Felicitaciones y aprendizaje continuo
- Examen calificado: Diseño de un sistema modular de aprendizaje automático + paquete de abstracción
UNIDAD 13 - Validación, análisis y supervisión de modelos ML · 17 leccionesValidación, análisis y supervisión de modelos ML - UNIDAD 13 - Validación, análisis y supervisión de modelos ML
UNIDAD 13 - Validación, análisis y supervisión de modelos ML · 17 lecciones
Validación, análisis y supervisión de modelos ML - UNIDAD 13 - Validación, análisis y supervisión de modelos ML
- Por qué la validación es una puerta de liberación
- Mentalidad de validación y errores habituales
- Conjuntos de validación y métricas de evaluación en la práctica
- Elaboración de una lista de comprobación de validación para las versiones candidatas
- Actividad práctica: Validar un modelo de versión candidata
- De las métricas offline al impacto online
- Interpretar los resultados de los experimentos con confianza
- Explicación de las pruebas A/B frente a las implementaciones en la sombra
- Comparación de modelos mediante pruebas A/B e implementaciones en paralelo
- Actividad práctica: Analizar los resultados de la implementación de Shadow
- Por qué los modelos se desvían en la producción
- Establecimiento de umbrales prácticos de deriva
- Uso del PSI para la supervisión continua
- Automatización de los activadores de supervisión y reentrenamiento
- Crear un flujo de trabajo de supervisión de desviaciones
- Felicitaciones y aprendizaje continuo
- Prueba evaluada: validar, analizar y supervisar modelos de aprendizaje automático
UNIDAD 14 - Integrar, escalar y supervisar microservicios de ML · 19 leccionesIntegrar, escalar y supervisar microservicios de ML - UNIDAD 14 - Integrar, escalar y supervisar microservicios de ML
UNIDAD 14 - Integrar, escalar y supervisar microservicios de ML · 19 lecciones
Integrar, escalar y supervisar microservicios de ML - UNIDAD 14 - Integrar, escalar y supervisar microservicios de ML
- Bienvenida e introducción al curso
- Comprender el papel de tu servicio de aprendizaje automático en la arquitectura
- Del modelo al microservicio: diseño orientado a la integración
- Malla de servicios en microservicios
- Cómo encajan los microservicios de aprendizaje automático en la arquitectura del sistema
- Actividad práctica: Crear y registrar un microservicio de aprendizaje automático con gRPC
- Cómo diseñar la integración de tu microservicio de aprendizaje automático
- Escalabilidad de los sistemas de aprendizaje automático mediante mensajería asíncrona
- Canales de datos de Kafka: prácticas recomendadas para el streaming de alto rendimiento
- Creación de una cola de predicciones: patrones del mundo real
- Escalar o fracasar: cómo elegir el modelo de comunicación adecuado
- Actividad práctica: Crear un proceso de predicción con Kafka
- Cuestionario de práctica: Evaluación de patrones asíncronos, opciones de partición y razonamiento sobre el rendimiento
- Introducción a la observabilidad: registros, métricas y rastreo para microservicios de aprendizaje automático
- Observabilidad del aprendizaje automático: la guía completa para los sistemas modernos de IA
- Interpretación de señales: ¿qué te indican tus registros, métricas y trazas?
- Proyecto: Supervisar, monitorizar y analizar tu microservicio de aprendizaje automático
- Felicitaciones y aprendizaje continuo
- Prueba calificada: Reto de integración y escalabilidad de microservicios de ML
UNIDAD 15 - Documento AI: Redacción de proyectos y API · 18 leccionesDocumento AI: Redacción de proyectos y API - UNIDAD 15 - Documento AI: Redacción de proyectos y API
UNIDAD 15 - Documento AI: Redacción de proyectos y API · 18 lecciones
Documento AI: Redacción de proyectos y API - UNIDAD 15 - Documento AI: Redacción de proyectos y API
- Vídeo de bienvenida e introducción a la lección
- ¿Qué hace que la documentación de un modelo sea clara?
- Cómo redactar descripciones claras de la arquitectura de un modelo
- Esquemas de modelos dentro del ecosistema MLOps
- Cómo redactar documentación sobre procedimientos de formación en la que confíen los ingenieros
- Actividad práctica: Transformar un archivo README de modelo
- ¿Por qué son útiles los resúmenes de evaluación?
- Cuestionario de práctica: Documentación de modelos, datos y procedimientos de entrenamiento
- ¿Qué necesitan los desarrolladores de la documentación de las API?
- Por qué es importante la documentación de las API en la ingeniería de aprendizaje automático
- Cómo redactar documentación eficaz para una API de predicción
- Publicar documentación con MkDocs y Read the Docs
- Documentación del comportamiento del sistema: errores, reintentos y casos extremos
- Actividad práctica: Crear una página de referencia de la API
- Cómo redactar tutoriales técnicos en los que confían los desarrolladores
- Redactar y publicar documentación para desarrolladores sobre una API de predicción de aprendizaje automático utilizando MkDocs
- Felicitaciones y aprendizaje continuo
- Cuestionario calificado: Documentar los sistemas de IA con claridad y precisión
Certificado oficial
Tu certificado lo emite la SEP, no solo una plataforma
Al demostrar la competencia recibes un certificado emitido por la Secretaría de Educación Pública a través del Gobierno del Estado de México: un documento oficial que puedes presentar con confianza ante cualquier empleador o institución.
Tu certificado con INEC
- Lo emite la Secretaría de Educación Pública (SEP), a través del Gobierno del Estado de México
- Documento oficial con folio verificable en línea
- Lo otorga la Universidad Tecnológica Fidel Velázquez
Otras plataformas en línea
- Constancia privada emitida por la misma plataforma
- Solo acredita horas cursadas o asistencia
- Sin respaldo de una autoridad educativa
Cómo funciona
Tu itinerario, de la inscripción al certificado
- 1
Inscripción con pago único
Pagas $4,990 MXN una sola vez y entras de inmediato al curso.
- 2
Estudias a tu ritmo
15 unidades con videos, lecturas y actividades, disponibles 24/7 durante 12 meses.
- 3
Cuestionarios por unidad
52 cuestionarios para comprobar lo aprendido.
- 4
Certificado
Emitido por la SEP a través del Gobierno del Estado de México, con folio verificable.
Lo que obtienes
Un certificado oficial de la SEP
Muestra · verificable por folio y QR
- Emitido por la Secretaría de Educación Pública (SEP), a través del Gobierno del Estado de México. No es una constancia privada: es un documento oficial, y ese respaldo marca la diferencia frente a otras plataformas en línea.
- Contenido impartido por Coursera.
- Folio y QR verificables para compartirlo con quien te contrate.
Medios que necesitas
Equipo de cómputo
Conexión estable a internet
Pago único
Empieza hoy, a tu ritmo
Un solo pago y acceso inmediato al curso completo durante 12 meses.
- 15 unidades · 239 lecciones · 240 h
- 12 meses de acceso
- 52 cuestionarios de evaluación
- Certificado emitido por la SEP (Gob. del Estado de México) con folio verificable
Preguntas frecuentes
Sobre tu inscripción
¿Cómo es el pago?
Un solo pago de $4,990 MXN. No hay mensualidades ni cargos recurrentes.
¿Cuánto tiempo tengo acceso?
12 meses desde tu inscripción, 24/7, para avanzar a tu ritmo.
¿Quién imparte el contenido?
El curso es impartido por Coursera; INEC gestiona tu inscripción, evaluación y certificado.
¿Qué pasa cuando vence mi acceso?
Puedes renovar tu cuenta tú mismo desde la plataforma, sin trámites ni esperas.
