Universidad de Medellín - Curso de MLOps
Aprende a llevar tus modelos de machine learning desde el desarrollo hasta producción de manera profesional, escalable y reproducible.
MLOps Engineer y Software Engineer con 7 años de experiencia en desarrollo de producto y soluciones de alta calidad. He trabajado extensivamente en la creación de pipelines de ML y arquitectura de sistemas de machine learning. Actualmente trabajo en Bancolombia donde me enfoco en el desarrollo de software y arquitectura de sistemas en producción de IA, últimamente he trabajado con GenAI y agentes Procode. Amo codear y compartir todo lo que he aprendido sobre MLOps, desarrollo de software y arquitectura de sistemas.
Al finalizar este curso, serás capaz de:
- ✅ Diseñar y desarrollar pipelines de ML modulares y mantenibles
- ✅ Implementar tracking de experimentos y versionado de modelos
- ✅ Orquestar workflows complejos con herramientas modernas
- ✅ Desplegar modelos en producción como servicios web escalables
- ✅ Monitorear y mantener sistemas de ML en producción
- ✅ Aplicar best practices de MLOps en proyectos reales
Duración: 2 horas
Aprenderás:
- Configuración de entornos profesionales con Python
- Gestión de dependencias con
uvy entornos virtuales - Git para control de versiones
- Jupyter notebooks y desarrollo iterativo
- Best practices de desarrollo
Proyecto: Setup completo de entorno de desarrollo
Duración: 3 horas
Aprenderás:
- Tracking de experimentos y métricas
- Logging de parámetros, artifacts y modelos
- Comparación de múltiples runs
- Model Registry para versionado
- Integración con frameworks (XGBoost, scikit-learn)
Proyecto: Sistema de tracking para modelo de predicción de precios
Duración: 4 horas
Aprenderás:
- Diseño de pipelines con Flows y Tasks
- Retry logic y error handling
- Caching y optimización de ejecución
- Deployments con schedules (cron)
- Monitoreo en Prefect Cloud
- Arquitectura modular con Domain-Driven Design
Proyecto: Pipeline completo de predicción de duración de viajes en taxi NYC
- Carga y validación de datos
- Feature engineering reproducible
- Optimización de hiperparámetros con Optuna
- Logging de 20+ trials en MLflow
- Deployment automático cada 2 minutos
Duración: 4 horas
Aprenderás:
- Creación de APIs REST con Flask/FastAPI
- Containerización con Docker
- Deployment en la nube
- Versionado de modelos en producción
- Testing de servicios ML
Proyecto: API de predicción deployada en contenedor
Duración: 3 horas
Aprenderás:
- Métricas de performance en producción
- Detección de data drift
- Logging y alertas
- Dashboards de monitoreo
- Estrategias de re-entrenamiento
Proyecto: Sistema de monitoreo completo
Duración: 4 horas
Implementarás:
- Pipeline end-to-end completo
- Desde ingesta de datos hasta deployment
- Monitoreo y mantenimiento
- Documentación profesional
- Presentación de resultados
- Python 3.11+ - Lenguaje principal
- MLflow - Experiment tracking y model registry
- Prefect - Orquestación de workflows
- XGBoost - Modelo de ML
- Optuna - Optimización de hiperparámetros
- Flask/FastAPI - APIs REST
- Docker - Containerización
- Git - Control de versiones
- uv - Gestor de dependencias moderno
- Conocimientos básicos de Python
- Familiaridad con machine learning (scikit-learn)
- Conocimientos básicos de terminal/línea de comandos
- Git básico (clone, commit, push)
# Clonar el repositorio
git clone https://github.com/CamilaCortex/MLOps_UdM.git
cd MLOps_UdM
# Crear entorno virtual
python -m venv .venv
source .venv/bin/activate # En Windows: .venv\Scripts\activate
# Explorar los módulos
cd 01-Intro-ML # Empezar por aquí
cd 02-Experiment-Tracking
cd 03-Orchestrarion
cd 04-Deployment
cd 05-MonitoringMLOps_UdM/
├── 01-Intro-ML/ # Setup y fundamentos
├── 02-Experiment-Tracking/ # MLflow tracking
├── 03-Orchestrarion/ # Prefect pipelines
│ ├── 00-intro-prefect/ # Conceptos básicos
│ └── Prefect-pipelines/ # Proyecto NYC Taxi
├── 04-Deployment/ # Deployment de modelos
├── 05-Monitoring/ # Observabilidad
└── 06-Proyecto-Final/ # Integración completa
Cada módulo incluye:
- Teoría fundamental con ejemplos claros
- Ejercicios hands-on paso a paso
- Proyectos reales aplicables a la industria
- Best practices de la industria
- Empezar simple, iterar hacia complejidad
- Refactorizar código para mejorar calidad
- Aplicar principios de software engineering
- Código versionado en Git
- Documentación clara y completa
- Code reviews y feedback
Al finalizar el curso, deberías poder:
- ✅ Ejecutar pipelines de ML completos de forma automática
- ✅ Trackear y comparar experimentos en MLflow
- ✅ Deployar modelos como servicios web
- ✅ Monitorear modelos en producción
- ✅ Explicar decisiones de arquitectura
- ✅ Aplicar MLOps en proyectos propios
- "Designing Machine Learning Systems" - Chip Huyen
- "Machine Learning Engineering" - Andriy Burkov
- "Building Machine Learning Powered Applications" - Emmanuel Ameisen
Este repositorio es material educativo en constante evolución. Las sugerencias y mejoras son bienvenidas.
Universidad de Medellín
Facultad de Ingeniería
Curso de MLOps
Desarrollado con ❤️ para estudiantes de MLOps
Última actualización: Abril 2026