https://github.com/matcom/scr_pasd_2025

Repositorio para le entrega del tercer proyecto de la asignatura Sistemas Computacionales y Redes. 2025
https://github.com/matcom/scr_pasd_2025

Last synced: 4 months ago
JSON representation

Repositorio para le entrega del tercer proyecto de la asignatura Sistemas Computacionales y Redes. 2025

• Host: GitHub
• URL: https://github.com/matcom/scr_pasd_2025
• Owner: matcom
• License: mit
• Created: 2025-05-20T00:32:30.000Z (about 1 year ago)
• Default Branch: main
• Last Pushed: 2025-05-20T00:33:01.000Z (about 1 year ago)
• Last Synced: 2025-06-30T12:06:56.429Z (12 months ago)
• Homepage:
• Size: 4.88 KB
• Stars: 0
• Watchers: 3
• Forks: 4
• Open Issues: 5
• Metadata Files:
  • Readme: README.md
  • License: LICENSE

Awesome Lists containing this project

README

          
### **Proyecto Plataforma de Aprendizaje Supervisado Distribuido**  

#### **Descripción:**  

El proyecto consiste en desarrollar una plataforma capaz de entrenar y desplegar modelos de **aprendizaje supervisado** de manera distribuida, utilizando **Ray**, **Docker** y **Scikit-Learn**. La plataforma debe procesar conjuntos de datos etiquetados, entrenar múltiples modelos en paralelo y ponerlos en producción mediante una API funcional. El sistema debe reflejar los conceptos de computación distribuida aprendidos en el curso, garantizando escalabilidad, tolerancia a fallos y eficiencia.  

#### **Fases del Proyecto**  

1. **Entrenamiento Distribuido**  

   - Implementar un sistema que permita el entrenamiento simultáneo de múltiples modelos de *machine learning* sobre un mismo dataset.  

   - Soporte para cargar y procesar datos en un entorno distribuido.  

2. **Despliegue de Modelos (Serving)**  

   - Desarrollo de una **API** REST o programática para interactuar con los modelos entrenados.

   - Integración con contenedores Docker para garantizar portabilidad y reproducibilidad con autodescubrimiento.  

3. **Monitoreo y Visualización**  

   - Generación de gráficas que muestren:  

     - Métricas de rendimiento durante el entrenamiento (ej: precisión, pérdida).  

     - Estadísticas de inferencia en producción (ej: latencia, uso de recursos).  

#### **Criterios de Evaluación**  

- ✅ Diseño de un **sistema distribuido** que cumpla con las funcionalidades básicas y opcionales.  

- ✅ Implementación de **tolerancia a fallos** (ej: replicación de nodos, *autodescubrimiento*).  

- ✅ Capacidad de entrenar **múltiples datasets secuencialmente** en una misma ejecución.  

- ✅ Uso eficiente de **Ray** para gestión de tareas y recursos.  

#### **Funcionalidades Adicionales**  

1. Entrenamiento y *serving* de **varios datasets simultáneamente**.  

2. **Estadísticas avanzadas**: Comparativa de modelos, análisis de tendencias, etc.  

3. Eliminación del **punto único de fallo** en el líder del clúster.  

4. **Interfaz gráfica** (GUI) para gestión y visualización del sistema.  

5. **Seguridad**: Encriptación de comunicaciones y autenticación de nodos.  

---

- **Entrega**: 22 Junio 11:59:59 pm