Visão Geral

O curso MLOps fornece uma introdução abrangente ao processo de implementação e gerenciamento de soluções de aprendizado de máquina em ambientes de produção. Abrange as principais etapas e práticas recomendadas no desenvolvimento, treinamento, avaliação e manutenção de modelos de ML, com foco no uso de ferramentas específicas como MLflow, Apache Airflow e Kubeflow.

Objetivo

Após concluir este Curso MLOps - Deploying ML solutions, você será capaz de:

• O conceito de MLOps e seu papel no campo da inteligência artificial e do aprendizado de máquina.
• Os estágios do ciclo de vida de desenvolvimento do modelo de aprendizado de máquina, desde o gerenciamento de dados e treinamento do modelo até a validação e implantação.
• O processo de gerenciamento de dados, incluindo coleta de dados, limpeza e controle de versão, bem como divisão em conjuntos de treinamento, validação e teste.
• Técnicas utilizadas para treinar modelos, incluindo seleção de algoritmos apropriados, validação cruzada, otimização de hiperparâmetros e garantia de reprodutibilidade de experimentos.
• Utilização da plataforma MLflow para acompanhamento de experimentos, gerenciamento de modelos e integração com outros serviços.
• Orquestre fluxos de trabalho com Apache Airflow para automatizar processos de treinamento e avaliação de modelos de machine learning.
• Diferentes maneiras de implementar modelos de machine learning, incluindo o uso de serviços em nuvem e soluções locais, bem como conceitos de contêineres e microsserviços.
• Utilização da plataforma Kubeflow para desenvolver, implantar e gerenciar modelos de aprendizado de máquina no ambiente Kubernetes.
• Monitorando o desempenho de modelos de aprendizado de máquina, identificando desvios de dados e abordagens para atualização de modelos.
• A importância dos aspectos éticos e de segurança no desenvolvimento e uso de modelos de aprendizado de máquina, como privacidade de dados, vieses de algoritmos e responsabilidade na tomada de decisões.

Publico Alvo

• Cientistas de dados e especialistas em análise de dados que desejam implementar e manter modelos de ML em ambientes de produção.
• Engenheiros e desenvolvedores de software interessados ​​em criar e gerenciar infraestrutura para soluções de aprendizado de máquina.
• Equipes de pesquisa e desenvolvimento em IA e aprendizado de máquina trabalhando em projetos complexos e escaláveis.
• Profissionais de inteligência artificial que desejam aprofundar o conhecimento das melhores práticas e ferramentas de implementação e gestão de modelos de ML.
• Gerentes de produto e líderes de equipe que desejam compreender os processos e desafios associados à implementação de soluções de aprendizado de máquina em suas organizações.

Pre-Requisitos

• Habilidades básicas de programação Python.
• Compreensão fundamental das técnicas de aprendizado de máquina.
• Experiência com bibliotecas ML em Python (scikit-learn, TensorFlow, PyTorch).
  Noções básicas de sistemas em nuvem e containers (Docker, Kubernetes).
• Familiaridade com os conceitos de DevOps e CI/CD.

Materiais

Conteúdo Programatico

• Introduction to MLOps: history, applications and importance in the field of AI and machine learning.
• ML Model Development Lifecycle: from data and training to validation and deployment.
• Data management: data collection, cleaning and versioning; division into training, validation and testing sets.
• Model training: Algorithm selection, cross-validation, hyperparameter optimization and experiment reproductibility.
• Introduction to MLflow: tracking experiments, managing models, and integrating with other services.
• Orchestrating workflows with Apache Airflow: automating the processes of training and evaluating ML models.
• Deploying ML models: Deployment modalities, cloud services and on-premises solutions; containers and microservices.
• Kubeflow: The platform for developing, deploying and managing ML models in Kubernetes.
• Model monitoring and maintenance: performance monitoring, data drift and model updates.
• Ethical and security aspects: data privacy, algorithm bias and responsibility in the development and use of ML models.