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 19/10/2025

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?

Descubra se esse curso é pra você! Leia as primeiras aulas

Comece essa formação agora mesmo e capacite-se para seu próximo projeto!

Conheça os planos

Escola

Data Science

Trabalhe com dados. Aprofunde seu conhecimento nas principais ferramentas de uma pessoa data scientist. Descubra as diferentes possibilidades de análise de dados, do Excel ao Python, e mergulhe em frameworks e bibliotecas, como Pandas, Scikit-Learn e Seaborn.

Conheça a escola