Saltar al contenido principal

Módulo 2: Control de versiones para ML

🎯 Objetivos de aprendizaje​

Al finalizar este módulo, usted podrá:

  • Aplicar las mejores prácticas de Git específicamente para proyectos de ML
  • Implementar Data Version Control (DVC) para el seguimiento de conjuntos de datos y modelos
  • Diseñar e implementar estrategias de versionado de modelos con registros
  • Crear pipelines de ML reproducibles con seguimiento adecuado de linaje

📚 Contenido del módulo​

Capítulo 1: Git para proyectos de ML​

Mejores prácticas para el control de versiones en ML, manejo de archivos grandes, configuración adecuada de .gitignore y estrategias de ramificación.

Capítulo 2: Data Version Control (DVC)​

Configuración de DVC, seguimiento de datos y modelos, configuración de almacenamiento remoto y construcción de pipelines.

Capítulo 3: Versionado de modelos​

Registros de modelos, estrategias de versionado, seguimiento de metadatos y linaje de modelos.

⏱️ Tiempo estimado​

ActividadDuración
Lectura2.5 horas
Ejercicios prácticos2 horas
Cuestionario30 minutos
Total5 horas

🔑 Conceptos clave​

🛠️ Herramientas cubiertas​

HerramientaPropósito
GitControl de versiones de código
DVCVersionado de datos y modelos
MLflow Model RegistryGestión de modelos
Git LFSManejo de archivos grandes

🚀 ¡Comencemos!​

Inicie con Capítulo 1: Git para proyectos de ML para aprender prácticas de Git específicas para ML.