Visão Geral

Neste Curso Machine Learning in Production, você aprenderá as práticas recomendadas para gerenciar experimentos e modelos de machine learning com MLflow. Há dois componentes principais neste curso: (i) usar o MLflow para rastrear o ciclo de vida do aprendizado de máquina, empacotar modelos para implantação e gerenciar versões de modelo (ii) examinar vários problemas de produção, diferentes paradigmas de implantação e preocupações de pós-produção. Ao final deste curso, você terá construído um pipeline de ponta a ponta para registrar, implantar e monitorar modelos de aprendizado de máquina.

Objetivo

Após realizar este Curso Machine Learning in Production, você será capaz de:

• Acompanhe, versione e gerencie experimentos de aprendizado de máquina
• Aproveite o Databricks Feature Store para gerenciamento de dados reproduzíveis
• Implemente estratégias para implantar modelos para lote, streaming e tempo real
• Crie soluções de monitoramento, incluindo detecção de desvios

Pre-Requisitos

• Experiência intermediária com Python e pandas
• Conhecimento prático de aprendizado de máquina e ciência de dados (scikit-learn, TensorFlow, etc.)
• Familiaridade com Apache Spark

Materiais

Conteúdo Programatico

1. ML in production overview
2. Data management with Delta and Databricks Feature Store
3. Experiment tracking and versioning with MLflow Tracking
4. Model management with MLflow Models and Model Registry
5. Automated testing with webhooks
6. Deployment paradigms
7. Monitoring and CI/CD