JavaScript is disabled for your browser. Some features of this site may not work without it.

    Listar

    Todo RIUMAComunidades & ColeccionesPor fecha de publicaciónAutoresTítulosMateriasTipo de publicaciónCentrosDepartamentos/InstitutosEditoresEsta colecciónPor fecha de publicaciónAutoresTítulosMateriasTipo de publicaciónCentrosDepartamentos/InstitutosEditores

    Mi cuenta

    AccederRegistro

    Estadísticas

    Ver Estadísticas de uso

    DE INTERÉS

    Datos de investigaciónReglamento de ciencia abierta de la UMAPolítica de RIUMAPolitica de datos de investigación en RIUMAOpen Policy Finder (antes Sherpa-Romeo)Dulcinea
    Preguntas frecuentesManual de usoContacto/Sugerencias
    Ver ítem 
    •   RIUMA Principal
    • Docencia
    • Trabajos Fin de Grado
    • Ver ítem
    •   RIUMA Principal
    • Docencia
    • Trabajos Fin de Grado
    • Ver ítem

    MLOps para el desarrollo y puesta en producción de modelos de Machine Learning

    • Autor
      Valderrama Santiago, Pablo
    • Director/es
      Mora-López, LlanosAutoridad Universidad de Málaga
    • Fecha
      2021-09
    • Palabras clave
      Aprendizaje automático (Inteligencia artificial); Grado en Ingeniería Informática - Trabajos Fin de Grado; Informática - Trabajos Fin de Grado
    • Resumen
      Machine Learning Model Operationalization Management (MLOps) constituye una metodología de trabajo orientada al desarrollo de modelos de predicción basados en algoritmos de Machine Learning. Esta metodología está conformada por un conjunto exhaustivo de principios, recomendaciones, directrices y buenas prácticas enfocadas en el abordaje metodológico del desarrollo de modelos de Machine Learning desde su experimentación inicial hasta su puesta en producción. Para alcanzar este objetivo, esta metodología propone una división del desarrollo de estos proyectos en 4 fases consecutivas. Estas fases comprenden las tareas de desarrollo de modelos, preparación de los modelos para el despliegue en producción, el despliegue en producción y la monitorización de los modelos desplegados. Este Trabajo de Fin de Grado explora de forma teórica este conjunto de principios metodológicos estudiando cada una de las fases de desarrollo propuestas. De forma paralela, se aborda el desarrollo de un modelo de predicción de Machine Learning para la predicción de consumos energéticos horarios individuales y su puesta en producción. En este desarrollo se adoptará MLOps para llevar a cabo el entrenamiento de modelos basados en RandomForest y K-Means, el diseño de un código para dar ejecución a estos modelos, el diseño de imágenes para su contenerización y su despliegue en un clúster de Kubernetes
    • URI
      https://hdl.handle.net/10630/23550
    • Compartir
      RefworksMendeley
    Mostrar el registro completo del ítem
    Ficheros
    Valderrama Santiago Pablo Memoria.pdf (1.089Mb)
    Colecciones
    • Trabajos Fin de Grado

    Estadísticas

    Buscar en Dimension
    REPOSITORIO INSTITUCIONAL UNIVERSIDAD DE MÁLAGA
    REPOSITORIO INSTITUCIONAL UNIVERSIDAD DE MÁLAGA
     

     

    REPOSITORIO INSTITUCIONAL UNIVERSIDAD DE MÁLAGA
    REPOSITORIO INSTITUCIONAL UNIVERSIDAD DE MÁLAGA