O que você aprenderá_

Construa pipelines reprodutíveis de machine learning utilizando Kubeflow sobre Kubernetes.
Realize análises exploratórias e execute engenharia de features dentro de pipelines.
Gerencie experimentos e otimize hiperparâmetros com Katib para melhorar modelos.
Treine modelos distribuídos com o Kubeflow Trainer e avalie seu desempenho.
Implemente estratégias de serving e implantação de modelos usando KServe.
Aplique práticas de MLOps para garantir escalabilidade, resiliência e rastreabilidade dos projetos.

Público alvo_

Profissionais de dados, engenheiros de Machine Learning, engenheiros de infraestrutura/DevOps e estudantes que querem aprender a orquestrar, treinar e colocar modelos de ML em produção usando Kubernetes e Kubeflow.

Fabricio Zillig

Especialista em Dados e IA, professor na FIAP e mestrando em Computação Aplicada, com pesquisa em LLMs e Sistemas Agênticos. Atua há mais de 15 anos na interseção entre engenharia de software, dados e produto, transformando modelos de Machine Learning e IA em soluções robustas, escaláveis e integradas a contextos reais de negócio.

Curso atualizado em 17/08/2026

Já estuda na Alura?

Comece o curso agora

Ementa

Kubernetes para ML Engineers
- Introdução
- Por que Kubernetes para ML?
- Conceitos essencias de Kubernetes
- Arquitetura do Kubeflow
- Para saber mais: Formas de consumir Kubeflow
- Preparando o ambiente
- Instalando o Minikube
- Projeto e Dataset
- Iniciando nosso Projeto
- Implementando pipelines de Machine Learning na Clínica Médica Voll
- O que aprendemos?
Jupyter notebook e dataset
- Explorando dados com Jupyter no Kubernetes
- Local vs Cluster
- Jupyter com PVC
- EDA do dataset
- Feature Engineering e Funções auxiliares
- Treino XGBoost
- Para saber mais: Os limites do Notebook
- Análise exploratória de dados para personalização de produtos pet
- O que aprendemos?
KFP: Kubeflow pipelines
- Explorando o Kubeflow Pipelines e seus conceitos
- Conceitos do KFP
- Primeiro componente
- Artifacts e Cache
- Para saber mais: Outros decoradores KFP
- Refatorando pipeline
- Implementando pipelines para portfólios dinâmicos
- Introduzindo a busca de hiperparâmetros com Katib
- O que aprendemos?
Katib: otimização de hiperparâmetros
- Explorando o componente Katib do Kubeflow
- Conceitos Katib
- Criando um Experimento
- TrialTemplate
- Executando o Experimento
- Integrando na Pipeline KFP
- Para saber mais: efemeridade de containers no kubernetes
- Aprimorando a experiência de visualização de trailers
- O que aprendemos?
Kubeflow trainer
- Explorando o componente trainer do Kubeflow
- Conceito Trainer
- Trainjob e Script de treino
- Criando o Runtime de treino
- Executando o TrainJob
- Pipeline KFP com Trainer
- Para saber mais: RBAC - definindo acessos
- Otimização de Treinamento de Modelos para a Plataforma Runner Circle
- O que aprendemos?
KServe
- Introduzindo o KServe no ciclo MLOps
- Conceitos de KServe
- ISVC: Inference Service
- Colocando o server no ar
- Otimização de recursos para inferência de passagens aéreas
- Pipeline KFP End to End
- Executando a Pipeline
- Projeto final e slides
- Conclusão
- O que aprendemos?