Centro de Capacitación de Azure Machine Learning

Este centro de capacitación cubre Azure Machine Learning desde los fundamentos hasta las operaciones en producción, con fórmulas, arquitectura, guías de despliegue y referencias visuales.

Modelo de progresión:

• Principiante: comprender los fundamentos de IA/ML y las bases de la plataforma.
• Intermedio: construir flujos de datos, entrenamiento y evaluación.
• Avanzado: desplegar, monitorear, depurar y gobernar sistemas de ML en producción.

Evolución del Machine Learning

El machine learning como campo científico comenzó en la década de 1950, y luego atravesó múltiples eras según la potencia de cómputo, la disponibilidad de datos y los avances algorítmicos.

Nota - Cómo leer esta línea de tiempo: Cada banda de color es el paradigma dominante de una era, y los puntos en el eje son los avances que desencadenaron el siguiente cambio. Léela para entender por qué el Azure ML moderno debe admitir tanto el ML clásico (aún el mejor para datos tabulares de negocio) como los modelos profundos/fundacionales (mejores para datos no estructurados) : la plataforma abarca toda la historia, no solo la era más reciente.

Eras destacadas

1. Fundamentos (1950s-1970s): ideas del test de Turing, perceptrones, métodos de vecinos más cercanos.
2. Era de los sistemas expertos (1980s): IA basada en reglas en flujos de trabajo empresariales.
3. Era del ML estadístico (1990s-2000s): SVMs, bosques aleatorios, modelado probabilístico.
4. Era del aprendizaje profundo (2010s): las GPU y los grandes conjuntos de datos habilitaron las redes neuronales profundas.
5. Era de los modelos fundacionales (2020s+): transformadores, grandes modelos de lenguaje, IA multimodal.

Por qué esto importa para quienes aprenden Azure ML

• Explica por qué el MLOps moderno incluye tanto flujos de ML clásico como de aprendizaje profundo.
• Aclara cuándo los modelos más simples pueden superar a los modelos neuronales más grandes en datos tabulares.
• Enmarca las necesidades actuales de producción: monitoreo, gobernanza, seguridad y control de costos.

Ruta de Aprendizaje

Módulo 01

Prerrequisitos Matemáticos

Probabilidad, álgebra lineal, cálculo y estadística: las bases matemáticas necesarias para todo el contenido de ML.

Módulo 02

Visión General de Extremo a Extremo

Un mapa de todo el flujo de ML y cómo se conecta cada etapa, desde plantear el problema hasta monitorear en producción.

Módulo 03

Introducción y Ciclo de Vida

IA vs ML vs ciencia de datos, categorías de IA y ciclo de vida integral de Azure ML.

Módulo 04

Fundamentos de ML

Taxonomía completa de ML: supervisado, no supervisado, RL, semi/auto-supervisado, con fórmulas y guía de selección.

Módulo 05

Redes Neuronales y Deep Learning

Del perceptrón a los Transformers: retropropagación, CNNs, RNNs, atención y entrenamiento a escala.

Módulo 06

Entorno de Azure ML

Taxonomía del área de trabajo, tipos de cómputo, registro de modelos y endpoints.

Módulo 07

Configuración del Entorno

Configuración de Conda/pip, validación de paquetes y consistencia del entorno de ejecución.

Módulo 08

Preparación de Datos

Recolección de datos, limpieza, manejo de esquemas y estrategia de división.

Módulo 09

Tipos de Modelos

Familias de algoritmos con formulaciones matemáticas representativas.

Módulo 10

Entrenamiento y AutoML

Flujo de búsqueda de AutoML, opciones de cómputo y pipeline práctico de entrenamiento.

Módulo 11

Métricas de Rendimiento

Métricas de clasificación y regresión, fórmulas e interpretación.

Módulo 12

Resultados y Explicabilidad

Análisis de resultados, detección de deriva y métodos de explicabilidad.

Módulo 13

Despliegue

Registro, scoring, despliegue de endpoints y patrones de servicio.

Módulo 14

Depuración de Despliegue

Solución de problemas centrada en Kubernetes para incidencias de endpoints en producción.

Referencia

Ref 01

Inicio de Referencia

Material de apoyo para implementación y operaciones.

Ref 02

Análisis Matemático Profundo de Modelos

Explicaciones a nivel de fórmula, objetivos, supuestos y compensaciones para los modelos de ML principales.

Ref 03

Comandos CLI

Referencias de línea de comandos para tareas de configuración, ejecución y despliegue.

Ref 04

Glosario

Términos esenciales de Azure ML y MLOps usados a lo largo de esta capacitación.