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 e Dados
Componentes de um Sistema de ML
Estudo de Caso: Uma Aplicação de Previsão de Vendas
Acessando Dados
Validando Dados
Transformação de Dados
De Pipeline de Dados para Pipeline de ML
Construindo o Modelo de Dados
Treinamento do Modelo
Validando o Modelo
Reproduzindo o Treinamento do Modelo
Deploy de um Modelo
Servindo um Modelo Treinado em Produção
Testando um Sistema de ML
Orquestração de Entrega Contínua
Monitoramento do Modelo
Versionamento de Dados
Adaptando, Escalando e Mantendo uma Plataforma MLOps
Solução de Problemas
Resumo e Conclusão
Requisitos
- Compreensão do ciclo de desenvolvimento de software
- Experiência construindo ou trabalhando com modelos de Aprendizado de Máquina
- Familiaridade com programação em Python
Público-alvo
- Engenheiros de ML
- Engenheiros de DevOps
- Engenheiros de Dados
- Engenheiros de Infraestrutura
- Desenvolvedores de Software
Testemunhos de Clientes (2)
Craig esteve extremamente envolvido no treinamento, sempre garantindo que estivéssemos atentos, adaptando os exemplos às nossas atividades do dia a dia e sempre fornecendo uma resposta quando solicitado, mesmo que as informações não tivessem sido incluídas na apresentação.
Ecaterina Ioana Nicoale - BOOKING HOLDINGS ROMANIA SRL
Curso - DevOps Foundation®
Máquina Traduzida
Alto nível de comprometimento e conhecimento do instrutor
Jacek - Softsystem
Curso - DevOps Engineering Foundation (DOEF)®
Máquina Traduzida