Dotar a los participantes de los conocimientos, buenas prácticas y herramientas necesarias para diseñar, implementar y gestionar ciclos de vida de modelos de machine learning de forma robusta, escalable y reproducible, cubriendo desde la experimentación inicial hasta la puesta en producción y monitorización. 

Al finalizar este curso, los participantes serán capaces de:
1. Comprender los principios de la cultura DevOps (Cultura, Automatización, Medición, Compartir) y su aplicación directa como fundamento de MLOps.
2. Dominar el control de versiones de código con Git para la gestión de proyectos de data science y flujos de trabajo colaborativos.
3. Implementar el versionado de grandes volúmenes de datos y modelos de machine learning utilizando DVC, diferenciando su propósito del de Git.
4. Asegurar la reproducibilidad de entornos de experimentación y producción mediante la creación y gestión  

Herramientas principales
Control de versiones: Git (GitHub / GitLab).
Versionado de datos y modelos: DVC.
Contenedores y despliegue: Docker, Docker Compose.
Gestión del ciclo de experimentos y modelos: MLflow (Tracking, Projects, Models, Model Registry).
 Servido de modelos: FastAPI (APIs REST). Automatización y CI/CD: GitHub Actions.
Monitorización de modelos: Evidently AI / herramientas similares
Recursos de estudio
Organización docente