First, you’ll learn about the core features of MLOps. You’ll explore the machine learning lifecycle, its phases, and the roles associated with MLOps processes.

What is MLOps?

Explaining MLOps

MLOps principles

Different phases in MLOps

The ML lifecycle

Tasks per phase

Roles in MLOps

Your MLOps team

Core roles in MLOps processes

Introduction to MLOps

Next, you’ll learn about the design and development phase in the machine learning lifecycle. You’ll explore added value estimation, data quality, feature stores, and experiment tracking.

MLOps design

Identifying business requirements

Key metrics

Data quality and ingestion

Determining data quality

Data quality dimensions

Feature engineering

Improving model performance

Helping a friend

Experiment tracking

What can we track?

Skipping experiment tracking

Design and Development

In this chapter, you’ll dive into the concepts relevant to deploying machine learning into production, such as runtime environments, containerization, CI/CD pipelines, and deployment strategies.

Preparação do modelo para implantação

Ambientes de tempo de execução

Conteinerizar ou não conteinerizar

Arquitetura de implantação de aprendizado de máquina

Microsserviço

Processo de requisição à API

Fluxo de dados da API

CI/CD e estratégia de implantação

CI/CD pipelines

Opções

Deployment básico

Shadow deployment

Canary deployment

Estratégias de deployment

Automação e dimensionamento

Rastreamento de experimentos

Conteinerização

Pipeline de CI/CD

Como os componentes automatizam e escalam

MLOcomponentes ps

Deploying Machine Learning into Production

Finally, you’ll learn about maintaining machine learning in production, with concepts such as statistical and computational monitoring, retraining, different levels of MLOps maturity, and tools that can be used within the machine learning lifecycle to simplify processes.

Monitoring machine learning models

Machine learning monitoring

Statistical vs. computational monitoring

Retraining a machine learning model

Examples of drift

Retraining

Levels of MLOps maturity

MLOps maturity

MLOps maturity levels

MLOps tools

Using a tool

Pick the right tool

Recap: MLOps concepts

Maintaining Machine Learning in Production

Course Glossary

Entender Machine Learning Operations (MLOps) é essencial para qualquer cientista de dados, engenheiro ou liderança que queira levar modelos de machine learning de um notebook local a um modelo em produção. Este curso apresenta os principais processos, fases e níveis de MLOps, incluindo design, desenvolvimento, deployment e monitoramento. Você vai descobrir como a automação permite que as organizações lancem, monitorem e atualizem seus modelos de machine learning com eficiência.

Os vídeos têm transcrições ao vivo que você pode exibir clicando em "Show transcript" no canto inferior esquerdo dos vídeos.									
O glossário do curso está disponível à direita, na seção de recursos.				
					
Para obter créditos de CPE, você precisa concluir o curso e alcançar uma pontuação de 70% na avaliação qualificadora. Você pode acessar a avaliação clicando no destaque de créditos de CPE à direita.									

<h2>Saiba mais sobre as operações de aprendizado de máquina (MLOps)</h2>
Compreender os conceitos de MLOps é essencial para que qualquer cientista de dados, engenheiro ou líder leve os modelos de aprendizado de máquina de um notebook local para um modelo funcional na produção.
<br><br>
Neste curso, você aprenderá o que é MLOps, entenderá as diferentes fases dos processos de MLOps e identificará os diferentes níveis de maturidade de MLOps. Depois de aprender sobre os conceitos essenciais de MLOps, você estará bem equipado em sua jornada para implementar o aprendizado de máquina de forma contínua, confiável e eficiente.
<br><br>
<h2>Descubra como o aprendizado de máquina pode ser dimensionado e automatizado</h2>
Como podemos dimensionar nossos projetos de aprendizado de máquina usando o mínimo de tempo e recursos? E como podemos automatizar nossos processos para reduzir a necessidade de intervenção manual e melhorar o desempenho do modelo? Essas são perguntas fundamentais sobre aprendizado de máquina para as quais o MLOps fornece as respostas.
<br><br>
Neste curso de MLOps, você começará explorando os fundamentos do MLOps, analisando os principais recursos e as funções associadas. A seguir, você explorará as várias fases do ciclo de vida do aprendizado de máquina com mais detalhes.
<br><br>
À medida que progredir, você também aprenderá sobre sistemas e ferramentas para dimensionar e automatizar melhor as operações de aprendizado de máquina, incluindo armazenamentos de recursos, rastreamento de experimentos, pipelines de CI/CD, microsserviços e conteinerização. Você explorará os principais conceitos de MLOps, o que lhe dará uma compreensão mais sólida de suas aplicações.

Understanding Machine Learning

Understanding Data Engineering

Descubra como MLOps leva modelos de machine learning de notebooks locais à produção com valor real.

Conceitos de MLOps

Descubra como o MLOps leva modelos de ML de notebooks locais para modelos funcionais em produção que geram valor comercial real.

Engenheiro associado de IA para cientistas de dados

Engenheiro de machine learning

Aprendizado de máquina na produção em Python

MLOps Fundamentals

Você e sua colega estão testando diferentes parâmetros para um determinado algoritmo para ver o que funciona melhor.

Você quer identificar e registrar qual algoritmo funciona melhor nesses dados em múltiplas configurações

Chegam mais solicitações para prever churn de clientes e precisamos executar as mesmas aplicações várias vezes

Várias pessoas estão trabalhando na mesma aplicação em diferentes ambientes de execução.

Sempre que desenvolvemos e implantamos código novo, temos que repetir as mesmas tarefas.

Várias pessoas querem trabalhar no mesmo código.

Como os componentes automatizam e escalam

Conceitos de MLOps

exercicio interativo prático