O que você aprenderá_

Organize o projeto de machine learning em módulos isolados e branches para desenvolvimento incremental.
Containerize o projeto, definindo containers separados para treino e inferência.
Otimize imagens Docker aplicando técnicas como multi-stage builds e redução de camadas.
Versione artefatos de modelos e gerencie imagens em registries como Docker Hub e Azure Container Registry.
Implemente pipelines de CI/CD com GitHub Actions para build, testes e publicação de imagens.
Desenvolva uma API de serving com FastAPI para expor o modelo e integrar a aplicação em produção.
Implemente um workflow completo de deploy em produção incluindo práticas de observabilidade e manutenção de artefatos.

Público alvo_

Profissionais, desenvolvedores e engenheiros de machine learning que desejam aprender a containerizar projetos, automatizar pipelines com GitHub Actions, criar APIs com FastAPI e implantar modelos em produção usando Docker.

Julles Mitoura

Engenheiro químico com mestrado e doutorado, atuo em ciência de dados e IA aplicada a processos industriais. Há mais de cinco anos trabalho com análise de dados para compreensão e otimização de processos a partir de sensores e indicadores. Passei por Petrobras, Radix e Deloitte e hoje atuo na Celanese como desenvolvedor back-end focado em soluções de IA, da arquitetura ao deploy. Defendo um ensino que una teoria sólida e aplicação prática.

Curso atualizado em 16/06/2026

Já estuda na Alura?

Comece o curso agora

Ementa

Setup de um Projeto de Machine Learning
- Apresentação do curso
- Apresentação do Curso
- Preparando o ambiente
- Iniciando o módulo
- Apresentação do problema de negócio
- Estrutura de um projeto de ML
- Estrutura de projeto de ML
- Análise Exploratória
- Treinando o modelo localmente
- Treinando o modelo
- Inferência e execução local
- Inferência e execução local
- Perguntas da aula
- O que aprendemos?
Containerizando o Projeto
- Iniciando o módulo
- Introdução ao Docker
- O que é Docker e por que usar em ML
- Dockerfile
- Criando o primeiro Dockerfile
- Dockerfile: train inference
- Build e execução da imagem para treino e inferência
- Container details
- Variáveis de ambiente e .dockerignore
- Perguntas da aula
- O que aprendemos?
Treino e Inferência em Containers Separados
- Iniciando o módulo
- Container train
- Por que separar treino e inferência?
- Container inference
- Dockerfile dedicado à inferência e execução dos dois containers
- Perguntas da aula
- O que aprendemos?
Otimizando Imagens Docker para ML
- Iniciando o módulo
- Imagens otimização
- Diagnóstico, o problema das imagens grandes
- Imagens multi stage
- Multi-stage build
- Imagens cache
- Cache de dependências, ordem das instruções e avaliação
- Perguntas da aula
- O que aprendemos?
Persistindo e Versionando o Modelo
- Iniciando o módulo
- Versões manuais treino
- Versionamento manual de modelos
- Versões bind mount
- Consumo de modelos gerados e o problema dos containers efêmeros
- Versões Docker volume
- Volumes Docker na prática
- Versões gestão
- Treino com volume, salvando o modelo fora do container
- Perguntas da aula
- O que aprendemos?
Automatizando o Build com GitHub Actions
- Iniciando o módulo
- Github Actions
- Introdução ao GitHub Actions
- Github workflow CI
- Primeiro workflow, build automático da imagem
- Github workflow container
- Testando o container no CI
- Github workflow jobs
- Cache de build e separação de jobs
- Perguntas da aula
- O que aprendemos?
Publicando a Imagem no Docker Hub
- Iniciando o módulo
- Docker hub
- Configurando o Docker Hub
- Docker hub auth
- Autenticação no GitHub Actions
- Docker hub tags
- Estratégia de tags por versão e branch
- Docker hub push aut
- Push automático e validação
- Perguntas da aula
- O que aprendemos?
Servindo o Modelo via API
- Iniciando o módulo
- Serving API
- Introdução ao model serving
- inferencia API
- Criando o endpoint de predição
- Dockerfile API
- Dockerfile para serving
- Dockerfile executions
- Testando a inferência via API
- Perguntas da aula
- O que aprendemos?
Configurando o Ambiente de Produção
- Iniciando o módulo
- envs
- Diferença entre dev e prod no Docker
- Build publish dev
- Pipeline de dev no GitHub Actions
- Build publish prod
- Pipeline de prod no GitHub Actions
- Build publish env vars
- Variáveis de ambiente e regras de execução
- Perguntas da aula
- O que aprendemos?
Pipeline End-to-End de ML em Produção
- Iniciando o módulo
- Review
- Revisão da arquitetura completa
- Aplicação
- Automatizando o pipeline end-to-end
- Próximos passos
- Checklist técnico de ML em produção
- Perguntas da aula
- 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