Repolode
EthicalML

EthicalML/awesome-production-machine-learning

Lista curada de bibliotecas open source para desplegar, supervisar, versionar, escalar y proteger sistemas de machine learning en producción.

Estrellas
21,018
Forks
2,695
Issues abiertos
41
Último commit
anteayer

¿Qué es?

Awesome Production Machine Learning es una lista organizada por categorías de herramientas open source para llevar modelos de machine learning de la experimentación a producción. Las entradas se agrupan por etapa del flujo de trabajo e incluyen AutoML, entrenamiento distribuido y optimización de cómputo, anotación de datos, pipelines y orquestación de datos, notebooks, almacenamiento de datos, feature stores, entrenamiento de modelos y gestión de experimentos, despliegue y serving, evaluación y supervisión, explicabilidad y privacidad.

Cada entrada enlaza al repositorio del proyecto e incluye una breve descripción de su función. La lista también abarca áreas específicas de distintos dominios, como visión por computadora, NLP, sistemas de recomendación y aprendizaje por refuerzo. Los responsables publican resúmenes mensuales de las bibliotecas añadidas recientemente mediante GitHub releases.

Funciones clave

  • 01Organizada en más de 20 categorías que abarcan el ciclo de vida de ML, desde los datos hasta el serving.
  • 02Cada entrada enlaza a su repositorio e incluye una descripción de una línea sobre su propósito.
  • 03Incluye herramientas para desplegar, supervisar, versionar y escalar modelos.
  • 04Abarca bibliotecas específicas para visión por computadora, NLP, sistemas de recomendación y aprendizaje por refuerzo.
  • 05Las notas de cada release mensual resumen las bibliotecas añadidas recientemente.

Casos de uso

  • Encontrar un feature store, un orquestador de flujos de trabajo o una herramienta de serving de modelos al diseñar un stack de MLOps.
  • Comparar bibliotecas candidatas para AutoML o ajuste de hiperparámetros antes de elegir una.
  • Familiarizarse con la infraestructura de ML de un equipo y conocer las categorías de herramientas disponibles.
  • Seguir la evolución de las nuevas herramientas de ML para producción mediante las actualizaciones mensuales de la lista.

Temas

Preguntas frecuentes

¿Qué es awesome-production-machine-learning?
Lista curada de bibliotecas open source para desplegar, supervisar, versionar, escalar y proteger sistemas de machine learning en producción. Awesome Production Machine Learning es una lista organizada por categorías de herramientas open source para llevar modelos de machine learning de la experimentación a producción. Las entradas se agrupan por etapa del flujo de trabajo e incluyen AutoML, entrenamiento distribuido y optimización de cómputo, anotación de datos, pipelines y orquestación de datos, notebooks, almacenamiento de datos, feature stores, entrenamiento de modelos y gestión de experimentos, despliegue y serving, evaluación y supervisión, explicabilidad y privacidad.
¿awesome-production-machine-learning es gratuito? ¿Qué licencia tiene?
awesome-production-machine-learning es open source bajo la licencia MIT. Revisa los términos de la licencia antes de usarlo en productos comerciales.
¿awesome-production-machine-learning sigue mantenido?
Mantenimiento activo. El último commit de awesome-production-machine-learning fue el 18 oct 2026.
¿Para qué puedo usar awesome-production-machine-learning?
Encontrar un feature store, un orquestador de flujos de trabajo o una herramienta de serving de modelos al diseñar un stack de MLOps. Comparar bibliotecas candidatas para AutoML o ajuste de hiperparámetros antes de elegir una. Familiarizarse con la infraestructura de ML de un equipo y conocer las categorías de herramientas disponibles. Seguir la evolución de las nuevas herramientas de ML para producción mediante las actualizaciones mensuales de la lista.
¿Dónde consigo awesome-production-machine-learning?
El código fuente y las instrucciones de instalación están en GitHub: https://github.com/EthicalML/awesome-production-machine-learning

Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.

Proyectos relacionados