Este capítulo vai fornecer as habilidades e o conhecimento necessários para levar seus modelos de Machine Learning da fase de pesquisa e desenvolvimento para um ambiente de produção. Você vai aprender sobre o processo de transformar um protótipo de pesquisa em um sistema confiável, escalável e de fácil manutenção.

Adotando uma mentalidade de MLOps

Qual é um aspecto fundamental de MLOps?

O que é dívida técnica?

Escrevendo código de ML sustentável

Controle de versão

Organização de código

Escrevendo documentação de ML eficiente

Por que documentar métodos de rotulagem?

Melhores práticas de MLOps

Da Pesquisa à Produção

Neste capítulo, você vai aprender sobre a importância da reprodutibilidade em Machine Learning e como garantir que seus modelos continuem reprodutíveis e confiáveis ao longo do tempo. Você vai explorar várias técnicas e boas práticas que podem ser usadas para assegurar a reprodutibilidade dos seus modelos.

Projetando experimentos reproduzíveis

Reprodutibilidade em ML

Identificando aspectos essenciais para reprodutibilidade e confiabilidade

Classificando elementos de confiabilidade

Organizando Aspectos de Reprodutibilidade e Práticas de Documentação

Engenharia de features

Classificando objetivos e técnicas de Feature Engineering

Identificando técnicas de manipulação e transformação de dados

Seleção de variáveis (feature selection)

Versionamento de dados e modelos

Model store

Versionamento de dados de treino

Garantindo reprodutibilidade

Garantindo Reprodutibilidade

No Capítulo 3, você vai analisar os diversos desafios associados à implantação de modelos de Machine Learning em ambientes de produção. Você vai aprender sobre as diferentes abordagens para implantar modelos de ML em produção e estratégias para monitorar e manter modelos de ML em produção.

Empacotando modelos de ML

Objetivo da serialização e conteinerização

Pipeline de empacotamento de modelo

Ordem de empacotamento do modelo

Escalabilidade

Escalonamento

Opções

Abordando a complexidade do modelo

Abordando as restrições de computação

Complexidade do modelo

Estratégias de escalabilidade

Escalabilidade horizontal

Escalabilidade vertical

Auto scaling

Categorizando técnicas de escalabilidade

Automação

Benefícios de continuous delivery

Pipeline de CI/CD/CM/CT

Etapas de CI/CD

Preparando um modelo para implantação

Automação do pipeline

Colocando modelos de ML em produção

ML em Ambientes de Produção

No capítulo final, você vai aprender sobre as várias formas de testar pipelines de Machine Learning e garantir que tenham o desempenho esperado. Você vai descobrir a importância de testar pipelines de ML e conhecer técnicas para testar e validar pipelines de ML.

Confiabilidade do modelo

Classificando estratégias de teste para prontidão e obsolescência de pipelines de ML

Combatendo a obsolescência do modelo em pipelines de Machine Learning

Testando dados

Escolhendo o teste certo

Verificação de consistência

Testando modelos

Prevendo o valor do cliente ao longo da vida

Classificando justiça

Testando pipelines de machine learning

Parabéns!

Testando Pipelines de ML

Muito do conteúdo atual sobre Machine Learning foca em treinamento de modelos e ajuste de parâmetros, mas 90% dos modelos experimentais nunca chegam à produção, principalmente porque não foram construídos para durar. Neste curso, você vai ver como mudar sua mentalidade de engenharia de Machine Learning para MLOps (Machine Learning Operations) permite treinar, documentar, manter e escalar seus modelos ao máximo potencial.

Grande parte do conteúdo atual sobre machine learning foca no treinamento de modelos e no ajuste de parâmetros, mas 90% dos modelos experimentais nunca chegam à produção, principalmente porque não foram feitos para durar. Neste curso, você vai ver como mudar sua mentalidade de engenharia de machine learning para uma mentalidade de MLOps (Operações de Aprendizado de Máquina) vai te ajudar a treinar, documentar, manter e escalar seus modelos para atingir todo o seu potencial.
Experimente e documente com facilidade
Experimentar modelos de ML costuma ser divertido, mas pode ser demorado. Aqui, você vai aprender a criar experimentos que podem ser repetidos pra agilizar esse processo enquanto escreve a documentação pra você e seus colegas de equipe, facilitando o trabalho futuro no pipeline.
Crie modelos MLOps para produção
Você vai aprender as melhores práticas para empacotar e serializar modelos e ambientes para produção, garantindo que os modelos durem o máximo possível.
Amplie e automatize seus pipelines de ML
Ao pensar na complexidade dos modelos e dos dados e na automação contínua, você pode garantir que seus modelos serão dimensionados para uso em produção e poderão ser monitorados e implantados rapidinho.

Depois de concluir este curso, você vai conseguir projetar e desenvolver modelos de machine learning prontos para produção e melhorá-los continuamente ao longo do tempo.

MLOps Concepts

Supervised Learning with scikit-learn

Adote uma mentalidade MLOps para treinar, documentar, manter e escalar seus modelos de machine learning.

Desenvolvendo Modelos de Machine Learning para Produção

Mude para uma mentalidade MLOps, que permite treinar, documentar, manter e dimensionar seus modelos de machine learning para atingir seu potencial máximo.

MLOps Fundamentals

Escalonamento

Desenvolvendo Modelos de Machine Learning para Produção

Exercício interativo prático