ESPECIALIZACIÓN EN

MACHINE
LEARNING
ENGINEERING
BROCHURE 2024

#AprendeDesdeCasa
#AprendeConLosPioneros
Presentación
El campo tecnológico, cuando se trata de soluciones software, éstas
son el resultado de dos fases análogas denominadas “de Desarrollo” y
“de Producción”, siendo la primera aquella en la que los programadores
implementan todo el código necesario para su funcionamiento, y la
segunda aquella en la que se despliega para ponerla a disposición de
los usuarios finales. Ambas fases se traslapan fácilmente a productos
de machine learning y al desarrollo de modelos predictivos, ya que, en
estricto, estas soluciones también encajan en la categoría de software.

Por ello, DMC Perú presenta la “Especialización en Machine Learning

Engineering”, la cual te brindará los fundamentos de los servicios web
y, sobre todo, complementarlos con técnicas y herramientas para el
despliegue y posterior automatización de cada una de las etapas del
ciclo de vida de un modelo predictivo.

Duración: 45 horas cronológicas

(60 horas académicas)

Pre-requisitos:
- Conocimientos en desarrollo de
modelos predictivos supervisados y
no supervisados.
- Dominio del lenguaje R y/o Python.
- Conocimiento de algoritmos y
programación en general.
O
B
J
E
Objetivo General Objetivos Específicos
T
I Aprende a automatizar el pipeline de un
proyecto de machine learning, poner a
• Aprende a emplear las herramientas básicas para
el Machine Learning Engineering.

V
disposición de los usuarios un modelo • Aprende a gestionar el Pipeline de un proyecto de
predictivo como un servicio web, así machine learning a través de una herramienta
como automatizar y monitorizar cada low-Code.
O una de sus etapas. • Aprende a desplegar un modelo predictivo como
un servicio web partiendo de la implementación de

S
un servidor básico.
• Aprende sobre los fundamentos de LLM y las
herramientas relacionadas para empaquetar y
desplegar el modelo.
 Especialización en Machine Learning Engineering

• Profesionales y analistas de las áreas de ciencia de datos y

machine learning.
• Científicos de datos que deseen incursionar en el proceso de
Dirigido a: despliegue de modelos predictivos.
• Profesionales de las áreas de informática, sistemas, DevOps,
ingeniería de datos y similares, que tengan a su responsabilidad el
despliegue y puesta en producción de soluciones software.

• Emplea las herramientas básicas para el ML Engineering, como es

el caso de Programación y testing de código Python, Docker, Github
y Apache Airflow, a partir de casos de uso generales.
Competencias: • Aprende los fundamentos de LLM y las herramientas relacionadas
para empaquetar y desplegar el modelo usando tecnologías como
ChromaDb, Langchain, GPT, entre otros.
 Características

Clases en Vivo Aprende Haciendo

El 100% de las clases que se Desarrolla casos con datos
desarrollan en el curso son reales, incluso puedes proponer
en vivo. casos de tu propio sector.

Asesoría Académica
73% Certificación
Resuelve tus dudas con el
asistente académico en línea.
NPS Con una nota mínima de 14
sobre 20 y una asistencia
NUESTROS ALUMNOS mínima del 80%
NOS RECOMIENDAN

Plataforma E-Learning Soporte Técnico

Accede en cualquier momento Asistencia técnica permanente
a materiales complementarios: y acceso a máquinas virtuales
lecturas, videos, tutoriales, de ser necesario.
clases grabadas y más.
 Malla curricular

Metodología Tool-sets para Automatización de Desarrollo de APP Despliegue

CRISP ML Engineering Modelos con Pycaret Web y API’s on-premise de Modelos

Serving Models for CI / CD en SageMaker para Chatbots con GPT

Computer Vision & NLP Machine Learning Automatización en la Nube y Open LLM

Certificado por haber aprobado la

Especialización en Machine
Learning Engineering
 Malla curricular

Fundamentos de AutoML Serving

ML Engineering Models

• Metodología CRISP: Evolución de DM a ML. • Machine learning con PyCaret. Descripción de la • Fundamentos Web-services y Rest-API.
Descripción de sus etapas. librería, ML Pipeline con PyCaret, comandos • Diseño de procesos batch y online.
• Data Science vs. ML Engineering vs. MLOps. principales, entregable por etapa del pipeline.
• Diseño de un servidor básico con Python y
Casos de uso, alcance y principales • Proceso de automatización a partir de FastAPI.
diferencias. notebook. Escribir código para producción.
• Taller: Despliegue del modelo para consulta
• ML vs. AutoML. Principales características y • Taller: Automatización de modelos con Pycaret individual. Enviar Json al servidor.
ventajas de cada uno. I: Uso de los comandos get_data, setup,
• Taller: Despliegue del modelo para consulta
• Programación avanzada con Python. POO y compare_models, create_model, tune_model,
masiva. Enviar Excel al servidor.
Testing de código. plot_model.
• Taller: Diseño básico de una app web con
• Tool-set para ML Engineering I: GitHub, • Taller: Automatización de modelos con Pycaret
Python y Streamlit para interactuar con API.
descripción, proceso de configuración, test y II: Uso de los comandos evaluate_model,
finalize_model, predict_model, save_model, • Taller: Empaquetado del modelo con
ejemplo de uso.
load_model. Docker y despliegue.
• Tool-set para ML Engineering II: Docker,
• Taller: Versionamiento y registrado de modelos • Taller: Serving models for Computer Vision.
descripción, proceso de configuración, test y
ejemplo de uso. con mlflow. • Taller: Serving models for Natural Language
• Herramientas complementarias para AutoML. Processing.
• Tool-set para ML Engineering III: Apache
Airflow, descripción, test y ejemplo de uso. • Desarrollo de APP web y API’s on-premise. • Taller: Despliegue en la nube del modelo
empaquetado.
• Fundamentos de uso de AWS. • Despliegue on-premise.
 Malla curricular

Automatización Fundamentos de
y Monitoreo Large Language Model

• Introducción a MLOPs. Definición, flujo, • Introducción a LLM: Definición,

importancia en Machine Learning. importancia y aplicaciones.
• CI / CD en machine learning. Local con • Introducción al diseño de chatbots
Jenkings y en Nube con Commit (AWS) con GPT y Open LLM.
• CT (Continuous training). Uso de Triggers • Diseño de un Chatbot for Question
y funciones Lambda (AWS). and Answering.
• Desarrollo de Experimentos para • Taller: Serving models for LLM.
continuous Training.
• Introducción al servicio SageMaker (AWS)
para automatización de modelos en Nube.
• Verificación de métricas.
 Buscamos liderar la
transformación de las
empresas.
Años de Expertos
+14 Experiencia +100 en Analítica

Desde el año 2009 capacitamos Nuestra plana docente ocupa

con técnicas de análisis de los cargos más importantes en
datos a profesionales de las áreas analíticas de todos los
diferentes empresas y sectores. sectores.

Profesionales Capacitaciones
+15K Capacitados +50 Especializadas

Nuestros alumnos inscritos Contamos con una variedad

pertenecen a las mejores de líneas temáticas y niveles de
compañías del medio y especialización.

de contactos especializada.

Empresas Big Data

+300 Asesoradas +5 Analytics Summit

Las empresas top del mercado Organizamos el evento más

buscan nuestra asesoría y les grande del Perú, con los mejores
brindamos soluciones analíticas ponentes internacionales.
ad hoc. Formando profesionales
mediante la analítica de
los datos.