Lista curada de bibliotecas open source para desplegar, supervisar, versionar, escalar y proteger sistemas de machine learning en producción.
21,1 mil+14 esta semana2,6 milMITActualizado hace 21 horas
raminmohammadi/MLOps
Laboratorios, materiales de lectura y ejercicios para un curso de MLOps y LLMOps de Northeastern University, sobre despliegue y monitoreo de ML.
- Estrellas
- 306
- Forks
- 455
- Issues abiertos
- 3
- Último commit
- hace 26 días
¿Qué es?
Este repositorio reúne los laboratorios, ejemplos de código y materiales de lectura de un curso de MLOps de Northeastern University (DADS 7305). Está organizado como un centro de recursos para estudiantes y docentes, con laboratorios prácticos que recorren el ciclo de vida del aprendizaje automático, desde la creación de pipelines hasta el despliegue y mantenimiento de modelos en producción.
Los temas abarcan la contenerización y la orquestación, CI/CD y el entrenamiento continuo para ML, el monitoreo y la gestión de la deriva de datos, y el reentrenamiento. El curso también incluye laboratorios de LLMOps sobre evaluación, alineación, monitoreo y despliegue de modelos de lenguaje grandes. Los laboratorios están pensados para realizarse en secuencia; cada carpeta contiene instrucciones y ejemplos de código.
Los materiales de lectura provienen de Coursera y se rigen por los términos de Creative Commons. El código tiene licencia MIT, pero el README restringe el uso de este contenido en cursos similares dentro de Northeastern University sin autorización por escrito.
Funciones clave
- 01Laboratorios prácticos que cubren el ciclo de vida de ML, desde los pipelines hasta producción
- 02Pipelines de contenerización, orquestación y CI/CD para cargas de trabajo de ML
- 03Ejercicios sobre monitoreo de modelos, reentrenamiento y gestión de la deriva de datos
- 04Laboratorios de LLMOps sobre evaluación, alineación y despliegue de LLM
Casos de uso
- Seguir un curso universitario de MLOps con laboratorios y código organizados en secuencia
- Aprender a llevar modelos de aprendizaje automático a producción
- Explorar prácticas de LLMOps para evaluar y desplegar modelos de lenguaje grandes
Inicio rápido
- 1
Clona este repositorio en tu equipo local
- 2
Ve al laboratorio que te interese
- 3
Lee las instrucciones del laboratorio y sigue los ejemplos de código proporcionados
Antes de usarlo
- Este material es didáctico (laboratorios y lecturas), no un proyecto de software empaquetado, por lo que no hay un único comando para instalarlo o ejecutarlo.
- El README indica que tiene licencia MIT, pero también prohíbe su uso en cursos iguales o similares de Northeastern University sin autorización por escrito; los metadatos, en cambio, indican CC0-1.0.
En colecciones
Temas
Preguntas frecuentes
- ¿Qué es MLOps?
- Laboratorios, materiales de lectura y ejercicios para un curso de MLOps y LLMOps de Northeastern University, sobre despliegue y monitoreo de ML. Este repositorio reúne los laboratorios, ejemplos de código y materiales de lectura de un curso de MLOps de Northeastern University (DADS 7305). Está organizado como un centro de recursos para estudiantes y docentes, con laboratorios prácticos que recorren el ciclo de vida del aprendizaje automático, desde la creación de pipelines hasta el despliegue y mantenimiento de modelos en producción.
- ¿MLOps es gratuito? ¿Qué licencia tiene?
- MLOps es open source bajo la licencia CC0-1.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿MLOps sigue mantenido?
- Mantenimiento activo. El último commit de MLOps fue el 11 oct 2026.
- ¿Para qué puedo usar MLOps?
- Seguir un curso universitario de MLOps con laboratorios y código organizados en secuencia Aprender a llevar modelos de aprendizaje automático a producción Explorar prácticas de LLMOps para evaluar y desplegar modelos de lenguaje grandes
- ¿Cómo se instala MLOps?
- Clona este repositorio en tu equipo local Ve al laboratorio que te interese Lee las instrucciones del laboratorio y sigue los ejemplos de código proporcionados
- ¿Dónde consigo MLOps?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/raminmohammadi/MLOps
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Curso online gratuito y autoguiado de 9 semanas sobre MLOps: seguimiento de experimentos, orquestación, despliegue, monitorización y buenas prácticas.
15,5 mil+32 esta semana3,1 milJupyter NotebookSin licenciaActualizado hace 23 días
Notebooks, ejemplos de código y aplicaciones de muestra para crear, implementar y gestionar flujos de trabajo de ML e IA generativa en Google Cloud Vertex AI.
795+4 esta semana322Jupyter NotebookApache-2.0Actualizado hace 16 horas
Plantilla y guía para operar aplicaciones con LLM creadas con Prompt Flow en Azure AI Studio o Azure Machine Learning, desde la experimentación y evaluación hasta la implementación.
369277PythonOtherActualizado hace 2 meses
Plataforma de Python de código abierto para crear flujos de trabajo de ML e IA como pipelines que se ejecutan en infraestructura propia o en la nube, desde el entrenamiento de modelos hasta los agentes.
5,6 mil+7 esta semana673PythonApache-2.0Actualizado hace 12 horas
SDK de Python para entrenar y desplegar modelos de machine learning en Amazon SageMaker, con frameworks, algoritmos integrados y contenedores propios.
2,3 mil+1 esta semana1,3 milPythonApache-2.0Bien mantenidoActualizado hace 10 horas