Guía del ecosistema AI/ML

Esta guía cubre los principales aspectos del ecosistema AI/ML, desde los frameworks hasta las herramientas, pasando por las buenas prácticas.

Contenido

• Frameworks de Deep Learning
• Herramientas de MLOps
• Buenas prácticas
• Despliegue
• Monitorización

Estructura

La carpeta está organizada de la siguiente manera:

ai-ecosystem/
├── frameworks/         # Frameworks de deep learning
├── mlops/             # Herramientas y prácticas MLOps
├── deployment/        # Guías de despliegue
└── monitoring/        # Herramientas de monitorización

Recursos

• Documentación oficial de los frameworks
• Guías de buenas prácticas
• Ejemplos de código
• Tutoriales

Proyecto Capstone: predicción de precios inmobiliarios

Una aplicación ML full-stack para predecir precios inmobiliarios utilizando Streamlit, FastAPI, H2O y MLOps.

🚀 Funcionalidades

• Interfaz de usuario interactiva con Streamlit
• API RESTful con FastAPI
• Modelo ML automático con H2O AutoML
• Pipeline MLOps completo con DVC y MLflow
• Monitorización con Prometheus
• Despliegue automatizado con GitHub Actions
• Tests unitarios con pytest

🛠️ Tecnologías utilizadas

• Frontend: Streamlit
• Backend: FastAPI
• ML: H2O AutoML
• MLOps: DVC, MLflow
• Contenerización: Docker, Docker Compose
• CI/CD: GitHub Actions
• Monitorización: Prometheus
• Tests: pytest

📋 Requisitos previos

• Python 3.9+
• Docker y Docker Compose
• Git
• Cuenta de GitHub (para CI/CD)

🚀 Instalación

1. Clonar el proyecto:

git clone https://github.com/votre-username/real-estate-ml.git
cd real-estate-ml

2. Crear el entorno virtual:

python -m venv venv
source venv/bin/activate  # Linux/Mac
venv\Scripts\activate     # Windows

3. Instalar las dependencias:

pip install -r requirements.txt

4. Preparar los datos:

dvc pull
dvc repro prepare

5. Entrenar el modelo:

dvc repro train

6. Lanzar la aplicación:

docker-compose up

🌐 Acceso a los servicios

• Frontend Streamlit: http://localhost:8501
• API FastAPI: http://localhost:8000
• Documentación de la API: http://localhost:8000/docs
• MLflow: http://localhost:5000
• Prometheus: http://localhost:9090

📊 Estructura del proyecto

real-estate-ml/
├── data/
│   ├── raw/
│   │   └── housing_data.csv
│   └── processed/
├── models/
│   ├── trained/
│   └── deployed/
├── src/
│   ├── data/
│   ├── models/
│   ├── api/
│   └── frontend/
├── tests/
├── notebooks/
├── configs/
└── .github/
    └── workflows/

🔧 Configuración

El archivo config.yaml contiene todas las configuraciones del proyecto:

• Parámetros de los datos
• Configuración del modelo
• Parámetros de la API
• Configuración del frontend
• Parámetros de MLflow
• Umbrales de monitorización

🧪 Tests

Ejecutar los tests:

pytest tests/

📈 Monitorización

Se supervisan las siguientes métricas:

• Número total de predicciones
• Latencia de las predicciones
• Tasa de error
• Rendimiento del modelo

🤝 Contribución

1. Haz un fork del proyecto
2. Crea una rama (git checkout -b feature/AmazingFeature)
3. Haz commit de los cambios (git commit -m 'Add some AmazingFeature')
4. Haz push a la rama (git push origin feature/AmazingFeature)
5. Abre una Pull Request

📝 Licencia

Este proyecto está bajo licencia MIT. Consulta el archivo LICENSE para más detalles.

👥 Autores

• Tu nombre - @votre_twitter

🙏 Agradecimientos

• Streamlit
• FastAPI
• H2O.ai
• DVC
• MLflow