Name: Curso MLOps: implantação de modelos com automação e monitoramento
Rating: 4.3 (63 reviews)

implantação de modelos com automação e monitoramento

Quero estudar na alura

12h

Para conclusão

209

Pessoas nesse curso

8.6

Avaliação média

Certificado

De participação

O que você aprenderá_

Analise dados para pré-processamento e treinamento de modelos
Construa pipelines de automação eficientes
Empregue práticas de integração contínua com versionamento de código
Utilize containers e configurações via YAML para isolar ambientes
Aplique o MLflow para rastreamento e governança dos modelos
Monitore o desempenho e reforce modelos em produção

Público alvo_

Este curso é indicado para profissionais e entusiastas de tecnologia interessados em integrar práticas de machine learning e MLOps para automatizar e monitorar modelos em produção. Ao final do curso, será possível construir pipelines completos e escaláveis utilizando ferramentas modernas.

Ana Clara de Andrade Mioto

Sou bacharela em Informática Biomédica e mestra em Bioengenharia, ambas pela USP. Hoje atuo como Cientista de Dados Sênior no Banco Bradesco. Já trabalhei como pesquisadora e em empresas dos setores de saúde, finanças, mídia e educação, destacando minha paixão no grande campo da Ciência de Dados e Inteligência Artificial com aplicações em diferentes áreas de negócio. Sou cofundadora e atual conselheira da comunidade Data Girls. Além disso sou apaixonada por livros, séries, games e um bom café.

Curso atualizado em 20/01/2026

Já estuda na Alura?

Comece o curso agora

Ementa

Introdução ao MLOps
- Apresentação
- Fundamentos de MLOPs
- Boas práticas em MLOPs
- Requisitos de um sistema de ML
- Momento de Reflexão
- Para saber mais: débito técnico em MLOps
- Para saber mais: referências e complementos
- Faça como eu fiz: Produtizar modelo ML
- O que aprendemos?
Design e Desenvolvimento de modelos
- Boas Práticas de desenvolvimento MLOPs
- Complexidade de modelos
- Para saber mais: Interpretabilidade e Explicabilidade de Modelos
- Apresentação de ferramentas
- Preparando o ambiente
- Versionamento do case
- Para saber mais: importância dos logs no MLOPs
- Rastrear experimentos com MLFlow
- Desafio MLFlow na prática
- Para saber mais: Referências e Complementos
- Faça como eu fiz: pipeline MLOps
- O que aprendemos?
Preparação para produção
- Como preparar para produção os modelos de ML
- O Caso da FinBank: O Modelo que Quebrava no Servidor
- Para saber mais: Containers e Docker em ML
- Testes e validação
- Revisão por pares no desenvolvimento do Listin
- Desafio: Testes unitários na prática
- Testes automatizados
- Para saber mais: avaliação de risco e mitigação
- Para saber mais: referências e complementos
- Faça como eu fiz: deploy e testes MLOps
- O que aprendemos?
Deploy em produção
- Estratégias de deploy
- Para saber mais: Estratégias de Deploy em Machine Learning
- Escolhendo a estratégia de deploy para a empresa Buscante
- Produtização com Azure ML
- Implementação de CI/CD na Checklist
- Jobs automatizados
- Otimizando a comparação de pacotes de viagem
- Para saber mais: argumentos dinâmicos no MLOps
- Para saber mais: Referências e Complementos
- Faça como eu fiz: deploy do modelo
- O que aprendemos?
Monitoramento e Re-treinamento de modelos em produção
- Acompanhamento contínuo
- Para saber mais: observabilidade em mlops
- Observabilidade na plataforma Jornada Milhas
- Monitoramento na Azure ML
- Para saber mais: Ferramenta Evidently AI
- Retreinamento de modelos na Runner Circle
- Faça como eu fiz: monitorar e retreinar modelo
- Para saber mais: Referências e Complementos
- Conclusão
- O que aprendemos?