Entrenamiento (scikit‑learn / TensorFlow / PyTorch), tracking con MLflow, empaquetado como API FastAPI y despliegue Docker. Pipeline CI que ejecuta tests, lint y build de imagen. Plantilla lista para clonar y adaptar.
Soporte para scikit-learn, TensorFlow y PyTorch con configuración unificada
Registro de experimentos, métricas, parámetros y artefactos con versionado automático
Empaquetado automático como API con documentación Swagger y validación de esquemas
Imagen Docker optimizada con dependencias mínimas y multi-stage builds
Pipeline GitHub Actions para testing, linting, build y despliegue automático
[Espacio reservado para explicar la configuración de experimentos MLflow: structure de tracking URI, organización de runs, tags automáticos, y estrategias de versionado de modelos]
Por implementar: Guía completa de configuración MLflow y best practices
[Espacio reservado para documentar el patrón de entrenamiento que funciona para sklearn/TensorFlow/PyTorch: interface común, logging automático, y serialización consistente de modelos]
Por implementar: Ejemplos de código para cada framework ML
[Espacio reservado para explicar la estrategia de despliegue: promoción de modelos desde staging a production, rollback automático, y monitoreo de performance en tiempo real]
Por implementar: Configuración de ambientes y pipelines de despliegue
[Espacio reservado para documentar los datasets de ejemplo incluidos: clasificación (iris, wine), regresión (housing), y deep learning (MNIST/CIFAR). Cada ejemplo muestra el patrón completo MLOps]
/models/ - Definiciones de modelos por framework/training/ - Scripts de entrenamiento unificados/api/ - FastAPI app con endpoints de predicción/docker/ - Dockerfiles optimizados/.github/workflows/ - Pipelines CI/CD/examples/ - Notebooks con casos de uso[Por definir: versiones de Python,
Docker, MLflow server setup,
GitHub Actions secrets,
y configuración de registries]# 1. Clonar template
git clone https://github.com/marcorios99/mlops-ministack
cd mlops-ministack
# 2. Crear entorno virtual
python -m venv venv
source venv/bin/activate # Linux/Mac
# venv\Scripts\activate # Windows
# 3. Instalar dependencias
pip install -r requirements.txt
# 4. Configurar MLflow tracking
export MLFLOW_TRACKING_URI=http://localhost:5000
mlflow server --host 0.0.0.0 --port 5000
# 5. Entrenar modelo de ejemplo
python training/train_sklearn_example.py
# 6. Levantar API
uvicorn api.main:app --reload
# 7. Build Docker image
docker build -t mlops-model:latest .
# 8. Run container
docker run -p 8000:8000 mlops-model:latest[Espacio reservado para documentar métricas del pipeline MLOps: tiempo de build, tamaño de imágenes Docker, latencia de API, y comparativas de performance entre frameworks]
scikit-learn, TensorFlow, PyTorch
MLflow, DVC (básico)
FastAPI, Pydantic, Uvicorn
Docker, Docker Compose
GitHub Actions, pytest
Prometheus, logging estructurado