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

O que é MLOps?

Explicando MLOps

Princípios de MLOps

Diferentes fases em MLOps

O ciclo de vida do ML

Tarefas por fase

Funções em MLOps

Sua equipe de MLOps

Papéis centrais nos processos de MLOps

Introdução ao 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 dos 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 fazer deployment de machine learning em produção, como ambientes de execução, conteinerização, pipelines de CI/CD e estratégias de deployment.

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

Fazendo deployment de Machine Learning em produção

Por fim, você vai aprender sobre a manutenção de 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

Opções

Estatística

Computacional

Monitoramento estatístico vs. computacional

Retreinamento de um modelo de aprendizado de máquina

Desvio de dados

Desvio de conceito

Exemplos de desvios

Retreinamento

Níveis de MLOps maturidade

Maturidade em MLOps

Nível 1

Nível 2

Nível 3

MLOníveis de maturidade ps

MLOFerramentas ps

Usando uma ferramenta

Containerização de modelos

Monitoramento

Escolha a ferramenta certa

Recapitulando: MLOps concepts

Manutenção de Machine Learning em produção

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

Em 21% dos casos, o modelo prevê erroneamente que as transações são fraudulentas.

Nos últimos três dias, o modelo está constantemente prevendo que um cliente irá se desligar com uma probabilidade de 100%.

Cerca de 55% dos dados recebidos são de clientes do sexo masculino.

Em três horas, o modelo foi capaz de processar 702 solicitações.

O site CPU do servidor foi utilizado apenas 12% na última semana.

O modelo parece ter ficado off-line por duas horas na manhã de segunda-feira.

Monitoramento estatístico vs. computacional

Conceitos de MLOps

exercicio interativo prático