machine learning para produção

Quero estudar na alura

20h

Para conclusão

Pessoas nesse curso

Certificado

De participação

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

Chemical Engineer com mestrado e doutorado, atuando em ciência de dados e IA aplicada a processos industriais. Há mais de cinco anos, trabalho com análise de dados para compreender e otimizar processos a partir de dados de sensores e indicadores de desempenho. Tenho experiência na Petrobras, Radix e Deloitte e, atualmente, atuo na Celanese como Back-end Developer com foco em soluções de IA, desde a arquitetura até a implantação.

Curso atualizado em 24/08/2026

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

Conheça a escola

Cursos relacionados em Engenharias e Arquiteturas de Dados

curso

Troque conhecimentos com a comunidade da Alura

Imersões

7 Days of Code

Artigos

Podcasts

Tech Guide

Vídeos Extras

Depoimentos de Alunos

Cases de Sucesso Exclusivo para estudantes Alura

Docker:

O que você aprenderá_

Público alvo_

Julles Mitoura

Setup de um Projeto de Machine Learning

Containerizando o Projeto

Treino e Inferência em Containers Separados

Otimizando Imagens Docker para ML

Persistindo e Versionando o Modelo

Automatizando o Build com GitHub Actions

Publicando a Imagem no Docker Hub

Servindo o Modelo via API

Configurando o Ambiente de Produção

Pipeline End-to-End de ML em Produção

Cursos relacionados em Engenharias e Arquiteturas de Dados

Databricks

lakehouse, notebooks e consultas com IA generativa

APIs e Machine Learning

colocar modelos do notebook em produção com Flask e FastAPI

Databricks

Transformação de Dados com PySpark

Data Lake e Integration Services

construindo e carregando as dimensões

Cursos relacionados em Engenharias e Arquiteturas de Dados

Databricks

lakehouse, notebooks e consultas com IA generativa

APIs e Machine Learning

colocar modelos do notebook em produção com Flask e FastAPI

Databricks

Transformação de Dados com PySpark

Data Lake e Integration Services

construindo e carregando as dimensões

Faça parte da nossa comunidade no discord!

Aprenda Engenharias e Arquiteturas de Dados com esse e outros cursos, comece agora!

Plus

Pro

Ultra Lab

Plus 24

Pro 24

Ultra Lab 24

Trilhas por carreira

Carreiras de IA

Carreiras de Dados

Carreiras de Cyber

Carreiras de DevOps & Cloud

Carreiras de UX & UI

Carreiras de Mobile & Front-End

Carreiras de Back-End

Carreiras de Negócios

Cursos universitários FIAP