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

Identificando requisitos de negócio

Opções

Cientista de Dados

Especialista no Assunto

Stakeholder de negócios

Métricas principais

Qualidade e ingestão de dados

Determinando a qualidade dos dados

Accuracy

Completeness

Consistency

Dimensões de qualidade de dados

Engenharia de atributos

Melhorando o desempenho do modelo

Abordagens de engenharia de features

Ajudando um amigo

Rastreamento de experimentos

O que podemos rastrear?

Ignorando o acompanhamento de experimentos

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.

Preparing model for deployment

Runtime environments

To containerize or not to containerize

Machine learning deployment architecture

Microservice

API data flow

CI/CD and deployment strategy

CI/CD pipelines

Deployment strategies

Automation and scaling

How components automate and scale

MLOps components

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

O modelo errou a previsão de vendas de bananas em 120 por dia, em média.

Na última semana, o modelo de machine learning classificou corretamente o churn de clientes em 94% dos casos.

A equipe de vendas que usa o modelo de machine learning está muito satisfeita com a velocidade das previsões.

Os agentes de atendimento ao cliente ficaram felizes porque o modelo de machine learning ajuda a prever a resposta adequada à solicitação de um cliente.

O uso de machine learning aumentou a receita em estimados 58%.

Ao usar machine learning, o trabalho agora pode ser feito por 3 funcionários em vez de 15, resultando em uma redução de custos de US$ 2.000 por semana.

Métricas principais

Conceitos de MLOps

exercicio interativo prático