Primeiro, você vai conhecer os recursos centrais de MLOps. Vai explorar o ciclo de vida de machine learning, suas fases e os papéis envolvidos nos processos de MLOps.

O que é MLOps?

Explicando MLOps

Opções

Ações alinhadas aos princípios de MLOps

Ações não alinhadas aos princípios de MLOps

Princípios de MLOps

Diferentes fases em MLOps

O ciclo de vida do ML

Design

Desenvolvimento

Implantação

Tarefas por fase

Funções em MLOps

Sua equipe de MLOps

Engenheiro(a) de Dados

Cientista de Dados

Papéis centrais nos processos de MLOps

Introdução a MLOps

Em seguida, você vai aprender sobre a fase de design e desenvolvimento no ciclo de vida de machine learning. Vai explorar estimativa de valor agregado, qualidade de dados, feature stores e rastreamento de experimentos.

MLOps design

Identificando requisitos de negócio

Métricas principais

Qualidade e ingestão de dados

Determinando a qualidade dos dados

Dimensões de qualidade de dados

Engenharia de atributos

Melhorando o desempenho do modelo

Ajudando um amigo

Rastreamento de experimentos

O que podemos rastrear?

Ignorando o acompanhamento de experimentos

Design e Desenvolvimento

Neste capítulo, você vai se aprofundar nos conceitos relevantes para implantar machine learning em produção, como ambientes de execução, conteinerização, pipelines de CI/CD e estratégias de implantação.

Preparação do modelo para implantação

Ambientes de tempo de execução

Conteinerizar ou não conteinerizar

Arquitetura de implantação de aprendizado de máquina

Microsserviço

Fluxo de dados da API

CI/CD e estratégia de implantação

CI/CD pipelines

Estratégias de deployment

Automação e dimensionamento

Como os componentes automatizam e escalam

MLOcomponentes ps

Implantando Machine Learning em Produção

Por fim, você vai aprender a manter machine learning em produção, com conceitos como monitoramento estatístico e computacional, re-treinamento, diferentes níveis de maturidade em MLOps e ferramentas que podem ser usadas no ciclo de vida de machine learning para simplificar processos.

Monitoramento de modelos de aprendizado de máquina

Monitoramento de aprendizado de máquina

Monitoramento estatístico vs. computacional

Retreinamento de um modelo de aprendizado de máquina

Exemplos de desvios

Retreinamento

Níveis de MLOps maturidade

Maturidade em MLOps

MLOníveis de maturidade ps

MLOFerramentas ps

Usando uma ferramenta

Escolha a ferramenta certa

Recapitulando: MLOps concepts

Mantendo Machine Learning em Produção

Course Glossary

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

<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

Implementar controle de versão tanto para dados quanto para o código do modelo, garantindo reprodutibilidade e rastreabilidade.

Estabelecer um sistema de monitoramento contínuo do desempenho do modelo em produção.

Configurar pipelines automatizados de testes e validação para os modelos antes de chegarem à produção.

Depender de processos manuais de implantação para todas as mudanças no modelo para manter o controle.

Manter as equipes de data science e de operações completamente separadas para evitar confusão.

Realizar um processo demorado de revisão manual para cada atualização do modelo antes da implantação.

Princípios de MLOps

Conceitos de MLOps

Exercício interativo prático