Logo do curso
Curso

Docker:

machine learning para produção

Quero estudar na alura

20h

Para conclusão

57

Pessoas nesse curso

Certificado

De participação

Introdução_

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

Julles Mitoura

linkedin

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 14/07/2026

Ementa

  1. 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?
  2. 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?
  3. 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?
  4. 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?
  5. 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?
  6. 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?
  7. 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?
  8. 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?
  9. 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?
  10. 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

Faça parte da nossa comunidade no discord!

Troque conhecimentos com a comunidade da Alura

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

Conheça os Planos para Empresas