MLOps y Despliegue
MLflow, Docker, FastAPI, Streamlit, Prefect, feature stores, pipelines de datos, monitoreo, métricas de negocio ML, despliegue en la nube
1¿Cuál es el rol principal de MLflow en un workflow MLOps?
¿Cuál es el rol principal de MLflow en un workflow MLOps?
Respuesta
MLflow es una plataforma open-source que gestiona el ciclo de vida completo de los modelos ML: tracking de experimentos (métricas, parámetros, artefactos), packaging de modelos, registry centralizado y despliegue. Esto permite reproducir experimentos y versionar modelos de manera estandarizada.
2¿Qué comando permite loggear un parámetro en MLflow?
¿Qué comando permite loggear un parámetro en MLflow?
Respuesta
La función mlflow.log_param registra un hiperparámetro (learning rate, epochs, batch size) asociado a un run. Estos parámetros son luego visibles en la MLflow UI y permiten comparar diferentes configuraciones de entrenamiento.
3¿Cuál es la diferencia entre mlflow.log_metric y mlflow.log_param?
¿Cuál es la diferencia entre mlflow.log_metric y mlflow.log_param?
Respuesta
log_param registra valores fijos definidos antes del entrenamiento (hiperparámetros como learning_rate, epochs), mientras que log_metric registra valores que evolucionan durante o después del entrenamiento (accuracy, loss). Las métricas pueden loggearse varias veces con diferentes steps para crear curvas.
¿Cuál es la principal ventaja de usar Docker para desplegar un modelo ML?
¿Por qué usar un Dockerfile multi-stage para una aplicación ML?
+21 preguntas de entrevista
Otros temas de entrevista Data Science & ML
Fundamentos de Python
Programación Orientada a Objetos en Python
Estructuras de datos en Python
Fundamentos de Git
Fundamentos de SQL
Fundamentos de NumPy
Fundamentos de Pandas
Jupyter & Google Colab
SQL Joins y consultas avanzadas
Pandas avanzado
Visualización con Matplotlib & Seaborn
Visualizaciones interactivas con Plotly
Estadística descriptiva
Estadística inferencial
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisado: Regresión
ML Supervisado: Clasificación
Árboles de Decisión y Ensembles
ML No Supervisado
Pipelines ML y Validación
Series Temporales y Pronóstico
Fundamentos de Deep Learning
TensorFlow & Keras
CNN y clasificación de imágenes
RNN y Secuencias
Transformers y Attention
NLP y Hugging Face
GenAI y LangChain
Domina Data Science & ML para tu próxima entrevista
Accede a todas las preguntas, flashcards, tests técnicos, ejercicios de code review y simuladores de entrevista.
Empieza gratis