O que você aprenderá
- Versionar código, dados e modelos com Git, DVC e MLflow
- Construir pipelines reproduzíveis de treino e avaliação de modelos com DVC e MLflow
- Registrar métricas e modelos de ML para comparação e promoção com MLflow
- Orquestrar workflows de ML com Apache Airflow e DAGs
Requisitos
- Python básico
- Bibliotecas de Ciência de Dados (NumPy, Pandas, scikit-learn)
- Conhecimento prévio em Machine Learning supervisionado (modelos, treino, validação, métricas básicas) e API básica do TensorFlow/Keras
- Familiaridade básica com linha de comando e conceitos de deploy e Docker é desejável, mas será reforçada no curso
Descrição
MLOps é a disciplina que integra Ciência de Dados, Engenharia de Software e Operações para levar modelos de Machine Learning à produção com qualidade, reprodutibilidade e governança. Em vez de tratar notebooks e scripts isolados, MLOps enxerga código, dados e modelos como artefatos que precisam ser versionados, testados, empacotados, implantados e monitorados ao longo de todo o ciclo de vida do sistema de ML.
Este curso apresenta, de forma prática e guiada, como tirar modelos de Machine Learning do notebook e deixá-los prontos para produção usando uma stack moderna de MLOps. Ao longo das aulas, você vai trabalhar em um projeto completo de classificação com redes neurais, aplicando Boas Práticas de Engenharia de Software e construindo uma pipeline focada em reprodutibilidade, rastreabilidade e automação de ponta a ponta.
Você aprenderá a organizar o código em um projeto Python profissional usando paradigmas atuais, versionar código, dados e modelos usando Git e DVC, rastrear experimentos, métricas e artefatos com MLflow e orquestrar toda a pipeline com Apache Airflow. O curso também mostra como empacotar a aplicação com Docker, conectar as ferramentas a repositórios remotos como GitHub, DagsHub e Docker Hub, e integrar todas essas peças em um fluxo único, do treinamento ao deploy em containers.S
O foco do curso é construir uma base sólida de MLOps aplicável a projetos reais: pipelines determinísticas, ambientes padronizados, histórico auditável e mecanismos claros para reproduzir, comparar e promover modelos. Ao final, você terá um entregável completo que pode servir tanto como template técnico para futuros sistemas de ML em produção quanto como portfólio profissional para demonstrar domínio de uma stack moderna de MLOps.
Para quem é este curso
- Profissionais e estudantes que já têm base em ML e querem dar o próximo passo em MLOps
- Cientistas de Dados que desejam colocar modelos em produção com versionamento, automação e governança
- Profissionais de nível júnior a pleno com experiência prévia em ML supervisionado e Python
- Pessoas que já treinam modelos em notebooks e querem evoluir para um projeto completo, versionado e conteinerizado
