O que você aprenderá_

Registre experimentos no MLflow incluindo parâmetros, métricas, artefatos, tags e logs para garantir rastreabilidade.
Compare e filtre runs para identificar e justificar o modelo campeão com base em métricas relevantes.
Gerencie versões de modelos no Model Registry, promovendo, versionando e aplicando aliases ao ciclo de vida.
Empacote modelos no formato MLflow Models (PyFunc) e documente entradas com signatures e exemplos.
Sirva modelos como APIs REST e valide chamadas de inferência em um ambiente empacotado com Docker.
Estruture o projeto como MLflow Projects para executar pipelines reproduzíveis e facilitar a colaboração remota.

Público alvo_

Profissionais, estudantes e entusiastas com familiaridade em Python e noções básicas de machine learning que desejam aplicar práticas de MLOps para rastrear, versionar, empacotar e servir modelos em projetos colaborativos.

Hewerton Umbelito da Silva Cruz

Atualmente, sou Senior Machine Learning Engineer na ALPE e instrutor na Alura. Tenho mais de 7 anos de experiência em Ciência de Dados, Machine Learning, IA Generativa e MLOps, criando soluções escaláveis para grandes organizações.

Curso atualizado em 22/07/2026

Já estuda na Alura?

Comece o curso agora

Ementa

Apresentação e contexto
- Apresentação
- Apresentando o problema
- Projeto base
- Para saber mais: mlflow e git rastreabilidade de modelos
- Única escolha sobre o conteúdo da aula
- Organizando projetos de freelancers com MLflow
- Faça como eu fiz na aula
- O que aprendemos?
Primeira run de tracking
- Preparando o ambiente
- Ambiente e dataset
- Primeira run no MLFlow
- Única escolha sobre o conteúdo da aula
- Para saber mais: pip freeze para reprodutibilidade
- Aprimorando a precisão das recomendações no Petpark
- Faça como eu fiz na aula
- O que aprendemos?
Logging manual enriquecido
- Logging manual
- Tags e artefatos
- Para saber mais: segurança no encerramento de runs
- Rastreando métricas de desempenho em e-commerce de pets
- Faça como eu fiz na aula
- O que aprendemos?
Autolog e comparação de modelos
- Autolog
- Comparando runs
- Gerenciando trade-offs na Hermex Log
- Para saber mais: uso consciente do autolog
- Faça como eu fiz na aula
- O que aprendemos?
Organização de experimentos e seleção do campeão
- Organizando experimentos
- Escolha do campeão
- Escolhendo o melhor método de preparo de café
- Para saber mais: política de seleção de modelos
- Faça como eu fiz na aula
- O que aprendemos?
Model Registry
- Registry e versões
- Promovendo modelos
- Gerenciamento de modelos para otimizar a oferta de produtos no Gatito Petshop
- Para saber mais: reconstrução do estimador para registro limpo
- Faça como eu fiz na aula
- O que aprendemos?
Formato MLmodel e contrato PyFunc
- Formato MLmodel
- Modelos com pyfunc
- Implementando modelos de recomendação na VideoFlowNow
- Para saber mais: limiares customizados na inferência
- Faça como eu fiz na aula
- O que aprendemos?
Serving e containerização
- Serving via REST
- Docker e testes
- Integração de API REST em sistema de casas inteligentes
- Para saber mais: smoke tests automatizados para apis
- Faça como eu fiz na aula
- O que aprendemos?
MLflow Projects (pipeline reproduzível)
- Estrutura do MLproject
- Pipeline reproduzível
- Implementando um pipeline de dados para a Jornada Viagens
- Para saber mais: estrutura hierárquica de runs no mlflow
- Faça como eu fiz na aula
- O que aprendemos?
MLflow na stack MLOps
- Servidor remoto
- MLflow na stack MLOps
- Para saber mais: a separação entre backend store e artifact store
- Implementando um sistema de recompensas centralizado
- Faça como eu fiz na aula
- O que aprendemos?