Desenvolvimento e Deploy de Modelos de Machine Learning
Modelos de Machine Learning só geram valor quando chegam à produção com confiabilidade, monitoramento e capacidade de evolução. Este curso cobre o ciclo completo de MLOps, incluindo deploy local e na AWS, Feature Store, detecção e mitigação de Data Drift e Model Drift, retreinamento, versionamento de modelos e publicação de APIs, inclusive para geração de texto a partir de imagens com LLM. Como diferencial, os projetos são desenvolvidos em Python e também em Rust, linguagem que ganha espaço em aplicações que exigem alto desempenho. Você aprende a transformar inovação técnica em sistemas de Machine Learning robustos e prontos para produção.
Online
Imediato
100 h/a
Prazo de Acesso
24 meses
12x no cartão
Descrição do Curso
Machine Learning cresceu, amadureceu e os projetos mudaram de nível. Já está claro que Inteligência Artificial (incluindo Machine Learning e Deep Learning) veio para ficar e agora não é mais uma questão se as empresas vão ou não usar Machine Learning e IA. Agora é uma questão de como fazer isso da melhor forma possível.
Como colocar modelos em produção? Como fazer o deploy e reaproveitar recursos (features) através de uma Feature Store? Como monitorar os modelos em produção e detectar problemas como data e model drift? Como mitigar esses problemas? Como versionar os modelos uma vez que o retreinamento será cada vez mais comum? Como criar e fazer o deploy de APIs para o modelo ou mesmo fazer o deploy do modelo em plataformas de Cloud Computing?
Essas perguntas demonstram que a discussão em Machine Learning mudou de nível. E precisamos preparar os alunos da DSA para esse novo nível com conhecimento prático através de projetos em Linguagem Python e Rust.
A mudança de nível na aplicação de Machine Learning deixou claro que Linguagem Python é ótima para prototipação e experimentação, mas não é a ideal quando o assunto é performance. E performance é a chave do sucesso quando temos modelos de Machine Learning em produção.
Nesse aspecto a Linguagen Rust se mostra como uma alternativa que vem sendo cada vez mais explorada pelo mercado. E com resultados incríveis.
Hoje, dizer que é preciso aprender Python para trabalhar com Data Science, Machine Learning e IA é óbvio. Mas não era 10 anos atrás.
Será o mesmo com Rust?
Bom, você tem duas opções: Aguardar e ver o que acontece ou se preparar desde já e estar a frente do seu tempo no mercado de trabalho. A escolha é sua!
Logbook das Principais Atividades Práticas
- Projeto 1 - Construção e Deploy de Modelo de Machine Learning Para a Área de Logística
- Projeto 2 - Prevendo o Churn de Clientes com RandomForest - Da Concepção do Problema ao Deploy
- Projeto 3 - Deploy de Modelo de Machine Learning na Nuvem AWS Para Gestão de Escolas
- Projeto 4 - Deploy de API Para Geração de Texto a Partir de Imagens com LLM
- Projeto 5 - Construção de Feature Store e Engenharia de Atributos no Pipeline de Machine Learning
- Projeto 6 - Retreinamento e Versionamento de um Modelo de Machine Learning
- Projeto 7 - Monitoramento, Identificação e Mitigação de Model e Data Drift
- Projeto 8 - Deploy de Modelo de Classificação Através de API em Linguagem Rust
Ementa do Curso
Pronto(a) para começar sua jornada de aprendizagem profissional?
