Programa do Curso

Introdução

  • Modelos de Aprendizado de Máquina vs software tradicional

Visão geral do fluxo de trabalho DevOps

Visão geral do fluxo de trabalho de Aprendizado de Máquina

ML como Código Mais Dados

Componentes de um Sistema de ML

Estudo de Caso: Um Aplicativo de Previsão de Vendas

Acesso a Dados

Validação de Dados

Transformação de Dados

Do Pipeline de Dados ao Pipeline de ML

Construção do Modelo de Dados

Treinamento do Modelo

Validação do Modelo

Reprodução do Treinamento do Modelo

Deploy de um Modelo

Servindo um Modelo Treinado para Produção

Teste de um Sistema de ML

Orquestração de Entrega Contínua

Monitoramento do Modelo

Versionamento de Dados

Adaptação, Escalabilidade e Manutenção de uma Plataforma MLOps

Solução de Problemas

Resumo e Conclusão

Requisitos

  • Entendimento do ciclo de desenvolvimento de software
  • Experiência na construção ou trabalho com modelos de Aprendizado de Máquina
  • Familiaridade com programação em Python

Público-Alvo

  • Engenheiros de ML
  • Engenheiros DevOps
  • Engenheiros de dados
  • Engenheiros de infraestrutura
  • Desenvolvedores de software
 35 Horas

Declaração de Clientes (3)

Próximas Formações Provisórias

Categorias Relacionadas