Cloud para ML y Datos
Diseñá y desplegá arquitecturas cloud completas para machine learning y datos. De los modelos de servicio a la inferencia serverless, contenedores, servicios gestionados, multi-cloud, optimización de costos y auditoría de seguridad.
def deploy(model):
img = build_image(model)
push(img, registry)
endpoint = deploy_serverless(img)
return monitor(endpoint)
Lo que lograrás al completar el curso
Cada objetivo es verificable mediante entregables con corrección automática. Sin ambigüedades, sin autoevaluación subjetiva.
Diferenciar IaaS, PaaS, SaaS y FaaS y elegir el modelo adecuado según el caso
Comprender el modelo de responsabilidad compartida y su impacto en compliance
Desplegar servicios fundamentales de AWS (S3, EC2, Lambda, IAM, VPC)
Diseñar arquitecturas de almacenamiento que cumplan con regulaciones de datos
Implementar inferencia serverless con Lambda + API Gateway
Contenerizar aplicaciones de ML y automatizar despliegues con CI/CD
Usar servicios gestionados de ML (SageMaker, Vertex AI) con criterio
Evaluar trade-offs entre AWS, GCP y Azure según criterios técnicos y económicos
Auditar gastos cloud e implementar estrategias de optimización (FinOps)
Auditar seguridad, compliance y continuidad de negocio en una arquitectura cloud
Documentar decisiones arquitectónicas con ADRs y diagramas C4
Diseñar arquitecturas end-to-end justificando cada decisión técnica y económica
10 unidades · 3 horas cada una
Progresión estructurada: de los fundamentos de cloud y costos al proyecto integrador con arquitectura end-to-end.
- Diferenciar los modelos de servicio cloud y sus casos de uso
- Comprender regiones, zonas de disponibilidad y su impacto en latencia y costo
- Entender el modelo de responsabilidad compartida
- Desplegar los servicios fundamentales de AWS
- Aplicar el principio de menor privilegio con IAM
- Implementar almacenamiento seguro con S3
- Diseñar arquitecturas de almacenamiento para datos estructurados y no estructurados
- Comprender los formatos columnar y su impacto en performance y costo
- Implementar encriptación at-rest e in-transit
- Desplegar un modelo entrenado como endpoint serverless
- Optimizar cold starts y latencia
- Configurar API Gateway con autenticación y throttling
- Contenerizar un servicio de ML productivo
- Publicar imágenes en un registro cloud
- Automatizar despliegues con GitHub Actions
- Comprender cuándo usar servicios gestionados vs construir desde cero
- Entrenar un modelo con SageMaker Training Jobs
- Desplegar con SageMaker Endpoints
- Comprender los equivalentes de GCP y Azure
- Evaluar portabilidad vs lock-in
- Diseñar una arquitectura multi-cloud justificada
- Analizar una factura cloud e identificar los principales drivers de costo
- Implementar estrategias de optimización sin sacrificar performance
- Comprender el modelo de precios de los servicios usados
- Auditar una arquitectura cloud según criterios de seguridad
- Detectar vulnerabilidades y gaps de compliance
- Diseñar un plan de remediación priorizado
- Diseñar una arquitectura cloud completa para un caso real
- Justificar decisiones técnicas y económicas con ADRs
- Documentar con diagramas C4
Diseñado para profesionales que practican
100% autogestionado y asincrónico. Avanzá a tu ritmo, con verificación automática de cada entregable.
Tutor virtual 24/7
Un asistente virtual entrenado sobre el contenido del curso responde tus dudas de forma clara y directa, sin abrumar con citas extensas.
- Respuestas claras y sintéticas
- Disponible las 24 horas
- Contexto del curso completo
Repositorios de GitHub
Material de lectura en repositorios versionados. No pseudocódigo: cada concepto se implementa en un entorno real.
- Repos versionados
- Commits didácticos
- Ritmo personal
Notebooks en JupyterLite o Google Colab
Notebooks ejecutables con código real. Cada concepto de arquitectura cloud se implementa y se despliega.
- Ejecución sin configuración
- JupyterLite o Colab
- Integración con AWS, GCP y Azure
Entregables verificados
Cada unidad tiene entregables obligatorios con verificación automática. Sabés exactamente si cumple o no cumple.
- Corrección automática
- Criterios objetivos
- Feedback inmediato
De la teoría a la producción en cada unidad
Ciclo estructurado que se repite en las 10 unidades para consolidar competencias verificables.
Fundamentos
Modelos de servicio, costos y responsabilidad compartida. Sin hand-waving.
Implementación
Despliegue real en AWS, GCP y Azure. Entendés antes de abstraer.
Evaluación
Métricas objetivas, auditoría de costos y verificación automática de entregables.
Iteración
Diagnóstico de gaps, optimización FinOps y buenas prácticas de arquitectura.
Herramientas que usarás
Todo se ejecuta con notebooks en JupyterLite o Google Colab, y repositorios de GitHub como material de lectura.
AWS
Google Cloud
Azure
Docker
GitHub Actions
SageMaker
Vertex AI
Lambda
API Gateway
S3
IAM
ECR
FinOps
JupyterLite
Google Colab
GitHub
Doble aval universitario, verificación digital
Al completar el curso recibís un certificado digital con doble aval: Instituto Data Science Argentina y UTN Facultad Regional Reconquista.
Qué incluye el certificado
- Doble firma: Director de IDSA + Decano UTN FRRQ
- Resolución oficial: 920/2020 UTN Facultad Regional Reconquista
- Datos personalizados: nombre, DNI, curso, carga horaria y calificación
- Código QR de verificación digital
- Copia automática a la Facultad para registro oficial
- Emisión por curso: no esperás al final del trayecto
Se emite al aprobar los quizzes del curso y los trabajos prácticos con estado aprobado.
Resolvemos tus dudas
Empezá a diseñar arquitecturas cloud con fundamento
10 unidades, 30 horas, verificable y aplicable. Sin videos pasivos, sin autoevaluación subjetiva.