Etapas: Ingest, Prep, Train, Eval
Divida el entrenamiento en pasos claros y almacenables en caché.
Etapas: Ingest, Prep, Train, Eval es una lección gratuita de MLOps Academy en CoddyKit. Esta es la lección 1 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de MLOps Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de MLOps Academy incluye 4 lecciones en total.
De un script grande a etapas
Un único train.py que lo hace todo es difícil de reutilizar y lento de depurar. Dividirlo en etapas hace que cada paso sea claro y se pueda ejecutar de forma independiente. 🧩
Las cuatro etapas clásicas
La mayoría de las canalizaciones de entrenamiento siguen la misma estructura: ingest, prep, train, eval. Cada etapa recibe entradas y produce salidas que lee la siguiente.
Etapa 1: ingest
La etapa ingest obtiene los datos sin procesar de su origen, como una base de datos o un bucket, y los escribe en una ruta local conocida. Todavía no se limpia nada.
import pandas as pd
df = pd.read_csv("s3://bucket/raw.csv")
df.to_parquet("data/raw.parquet")Etapa 2: prep
La etapa prep limpia y transforma los datos sin procesar en características listas para el modelo. Gestiona valores ausentes, codificación y división en conjuntos de entrenamiento y prueba.
Etapa 3: train
La etapa train lee las características preparadas y ajusta el modelo; después guarda el artefacto ajustado en el disco para que la siguiente etapa lo evalúe.
model.fit(X_train, y_train)
joblib.dump(model, "models/model.pkl")Etapa 4: eval
La etapa eval carga el modelo guardado, lo evalúa con el conjunto de prueba reservado y escribe métricas como la precisión en un archivo que puede controlar.
score = model.score(X_test, y_test)
json.dump({"accuracy": score}, open("metrics.json", "w"))Las etapas pasan archivos, no variables
Las etapas se comunican mediante archivos en el disco, no mediante variables en memoria. Este desacoplamiento permite volver a ejecutar una etapa sin ejecutar las demás.
Por qué las etapas se pueden almacenar en caché
Como cada etapa tiene entradas y salidas fijas, una herramienta puede almacenar en caché su resultado. Si las entradas no cambiaron, la etapa se omite por completo.
Cada etapa es su propio script
Asigne a cada etapa un script pequeño con una función clara. ingest.py, prep.py, train.py y eval.py leen entradas y escriben salidas, nada más.
Las etapas forman un DAG
Las etapas se conectan en un DAG, un grafo dirigido en el que cada paso depende de los anteriores. Eval depende de train, train de prep y prep de ingest.
Las etapas claras facilitan la depuración
Cuando una ejecución falla, las etapas diferenciadas le indican exactamente dónde se produjo el error. Puede volver a ejecutar solo la etapa fallida en lugar de toda la canalización.
Comprobación rápida
Comprobemos cómo se comunican las etapas.
Recapitulación: ingest, prep, train, eval
Ha aprendido a dividir el entrenamiento en cuatro etapas almacenables en caché que pasan los datos mediante archivos. Las etapas claras permiten repetir las ejecuciones más rápido y depurar con mucha más facilidad. 🚀
Aprende Python con un tutor de IA — gratis
Escribe y ejecuta código real en tu navegador, obtén ayuda instantánea de un tutor de IA disponible 24/7 y continúa donde lo dejaste en la web o en la aplicación.
- Cursos
- 30
- Lecciones
- 120
Preguntas frecuentes
¿La lección «Etapas: Ingest, Prep, Train, Eval» es gratis?
Sí — el texto completo de «Etapas: Ingest, Prep, Train, Eval» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de MLOps Academy, actualiza a CoddyKit PRO. El curso de MLOps Academy incluye 4 lecciones en total.
¿Qué aprenderé en «Etapas: Ingest, Prep, Train, Eval»?
Divida el entrenamiento en pasos claros y almacenables en caché. Practicas MLOps Academy con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar MLOps Academy?
No se requiere experiencia previa. MLOps Academy en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 1 de 4.
¿Cuánto tiempo toma la lección «Etapas: Ingest, Prep, Train, Eval»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de MLOps Academy?
Sí. Cada lección de MLOps Academy incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Etapas: Ingest, Prep, Train, Eval
- Defina un pipeline con etapas de DVC
- Almacene en caché y omita los pasos sin cambios
- Parametrice las ejecuciones con params.yaml