• Ayudará tener conocimientos previos de Python y librerías de ciencia de datos (Pandas, Scikit-learn, etc.), fundamentos de machine learning y manejo de datasets.
• Conceptos básicos de cloud computing, contenedores o Git (no obligatorio).

• Científicos y analistas de datos que buscan llevar modelos a producción.
• Ingenieros de datos, software o DevOps interesados en integrar prácticas MLOps.
• Profesionales de IA generativa y analítica avanzada que requieren estructurar flujos productivos.
• Líderes técnicos, arquitectos y responsables de transformación digital.
• Equipos de desarrollo interesados en automatizar el ciclo de vida de modelos de Machine Learning en entornos cloud o híbridos.

• Al finalizar el curso, los participantes estarán en capacidad de diseñar, construir, automatizar y mantener soluciones de Machine Learning en producción aplicando principios de ingeniería, prácticas DevOps, control de versiones, monitoreo continuo y despliegue automatizado, asegurando estabilidad operativa, escalabilidad técnica y sostenibilidad del modelo a lo largo del tiempo.

Unidad 1: Introducción a MLOps

• ¿Qué es MLOps y por qué existe?
• Problemas reales al llevar modelos a producción.
• Ciclo de vida del ML (End-to-End).
• Roles en MLOps: DS, MLE, DevOps (visión simple).
• Configuración del entorno: Python, GitHub, VS Code.
• Caso práctico: Crear repositorio base versión controlada.

Unidad 2: Ingeniería de Software para Ciencia de Datos

• Notebook vs. Scripts vs. Proyecto modular.
• Estructura recomendada de proyecto ML.
• Funciones, modularización y buenas prácticas.
• Introducción a documentación y logging.
• Testing unitario simple con pytest.
• Caso práctico: Refactorizar un notebook a scripts modulares.

Unidad 3: Versionamiento de Datos y Modelos

• Versionamiento de datasets (concepto y beneficios).
• Introducción a DVC (local).
• MLflow para tracking de experimentos.
• Artefactos: dataset, parámetros, métricas, modelo.
• Caso práctico: Registrar y comparar dos versiones de modelo.

Unidad 4: Pipelines reproducibles

• Qué es un pipeline en ML.
• Separación por etapas: ingestión > features > entrenamiento > evaluación.
• Validación de datos básica: evitación de errores silenciosos.
• Ejecución secuencial con scripts.
• Caso práctico: Construcción de un pipeline simple reproducible.

Unidad 5: Contenerización con Docker

• Qué es Docker y rol en MLOps.
• Creación de una imagen con dependencias ML.
• Introducción a FastAPI para servir modelos.
• Testing manual del endpoint de predicción.
• Caso práctico: Servir un modelo como API local con Docker.

Unidad 6: Ajuste y seguimiento de modelos

• Qué es hiperparámetros tuning.
• GridSearchCV vs. métodos modernos (visión sencilla).
• Integración tuning > MLflow (runs comparables).
• Selección del mejor modelo.
• Laboratorio

Unidad 7: CI/CD básico aplicado a ML

• ¿Qué es CI/CD y cómo aplica a ML?
• GitHub Actions para automatizar tareas.
• Validaciones: tests, linting y estilos.
• Build Docker automático desde repo.
• Caso práctico: Trigger automático al hacer push a la rama main.

Unidad 8: Deployment local (pre-producción)

• Producción vs. desarrollo: diferencias clave.
• Docker Compose: servicios coordinados.
• Gestión simple de versiones de modelo.
• Flujo final manual de despliegue.
• Caso práctico: Levantar entorno completo (API + MLflow) con un comando.

Unidad 9: Monitoreo y mantenimiento

• Por qué los modelos se degradan (drift).
• Data drift vs. concept drift.
• Introducción a EvidentlyAI (local).
• Métricas de monitoreo básicas.
• Caso práctico: Crear reporte automático de drift.

Unidad 10: Integración y Proyecto Final

• Revisión del flujo completo MLOps implementado.
• Checklist de buenas prácticas para producción.
• Documentación final y empaquetado del proyecto.
• Presentación del caso aplicado.
• Caso práctico: Demo end-to-end del proyecto final.