MLOps (Machine Learning Operations) é uma prática emergente que visa integrar as operações de Machine Learning (ML) no ciclo de vida de desenvolvimento de software, facilitando a colaboração entre cientistas de dados e engenheiros de operações. O curso de MLOps cobre uma ampla gama de tópicos, incluindo a automação e a monitoração de pipelines de ML, a implantação e a manutenção de modelos em produção e a garantia de que esses modelos operem de maneira eficiente e segura. O objetivo principal do curso é capacitar os participantes com as habilidades necessárias para gerenciar o ciclo de vida completo de projetos de ML, desde a concepção até a implementação e além. O curso é estruturado para abordar tanto os aspectos teóricos quanto práticos do MLOps. Os participantes aprenderão sobre as melhores práticas para a criação de pipelines automatizados que englobam a coleta de dados, o treinamento de modelos e a implantação contínua. Além disso, serão discutidos temas como versionamento de modelos, gerenciamento de dados e monitoramento contínuo, garantindo que os modelos mantenham desempenho robusto em produção. Ferramentas populares como Kubernetes, Docker, e frameworks como TensorFlow Extended (TFX) serão exploradas em detalhes, proporcionando aos alunos uma compreensão prática de como implementar essas tecnologias no mundo real. Outro ponto crucial abordado no curso é a importância da colaboração entre equipes multidisciplinares. O MLOps não é apenas uma questão técnica; envolve também a construção de uma cultura de cooperação entre cientistas de dados, engenheiros de software e operações. Através de estudos de caso reais e exercícios práticos, os alunos aprenderão a superar desafios comuns, como a comunicação de resultados e a tradução de requisitos de negócios em especificações técnicas. Ao final do curso, os participantes estarão equipados não apenas com habilidades técnicas, mas também com estratégias de gestão e colaboração, essenciais para o sucesso em projetos de ML em escala empresarial.
Módulo 1: Introdução à Inteligência Artificial e Machine Learning: Neste módulo, você aprenderá os conceitos básicos de inteligência artificial, como história, definições, aplicações, tipos, agentes, ambientes, algoritmos, problemas, fundamentos de aprendizado de máquina, como modelos, dados, treinamento, validação, teste, avaliação, hiperparâmetros, regularização, reconhecimento de pragas, monitoramento de culturas, otimização de recursos, etc.
Módulo 2: Aprendizado Profundo. Neste módulo, você aprenderá os conceitos avançados de aprendizado profundo, como redes neurais, camadas, ativações, funções de custo, otimização, retropropagação, etc. Você também verá exemplos de aprendizado profundo no agronegócio, como segmentação de imagens, reconhecimento de voz, geração de texto, etc.
Módulo 3: Processamento de Linguagem Natural. Neste módulo, você aprenderá os princípios de processamento de linguagem natural, como linguística, corpus, tokenização, lematização, análise sintática, semântica, pragmática, etc. Você também verá exemplos de processamento de linguagem natural no agronegócio, como extração de informações, análise de sentimentos, tradução automática, etc.
Módulo 4: Visão Computacional. Neste módulo, você aprenderá os fundamentos de visão computacional, como imagens, pixels, cores, filtros, transformações, detecção de bordas, segmentação, reconhecimento de objetos, etc. Você também verá exemplos de visão computacional no agronegócio, como identificação de plantas, contagem de animais, rastreamento de veículos, etc.
Módulo 5: Inteligência Artificial Generativa. Neste módulo, você aprenderá os conceitos e as técnicas de inteligência artificial generativa, como modelos generativos, redes adversárias generativas, grandes modelos de linguagem, etc. Você também verá exemplos de inteligência artificial generativa no agronegócio e em outros domínios, como criação de imagens, músicas, textos e vídeos.
Módulo 6: Didática no ensino superior
Módulo 7: Fundamentos de MLOps e Automação Este módulo visa fornecer uma compreensão sólida dos fundamentos do MLOps e das práticas de automação que são essenciais para a implantação eficiente e sustentável de modelos de machine learning. – Introdução ao MLOps: Conceitos e importância – Princípios de DevOps aplicados ao Machine Learning – Pipelines de CI/CD (Integração e Entrega Contínuas) para Machine Learning – Ferramentas de automação (Jenkins, GitHub Actions, etc.) – Monitoramento e logging de modelos em produção – Gerenciamento de versões de modelos – Práticas recomendadas para documentação e reproducibilidade
Módulo 8: Infraestrutura e Orquestração de Modelos Este módulo se concentra na construção e gerenciamento de infraestruturas escaláveis e na orquestração eficiente de modelos de machine learning em ambientes de produção. – Arquiteturas de MLOps na nuvem (AWS, Azure, GCP) – Containers e Kubernetes para deployment de modelos – Orquestração com Kubeflow, MLflow e Airflow – Escalabilidade e balanceamento de carga – Gerenciamento de recursos e custos na nuvem – Segurança e compliance em ambientes de MLOps – Estudos de caso e projetos práticos
Módulo 9: Gerenciamento e Governança de Dados Este módulo aborda os aspectos críticos de gerenciamento e governança de dados necessários para manter a integridade, segurança e conformidade dos dados usados em projetos de machine learning. – Estratégias de coleta e preparação de dados – Data Lakes e Data Warehouses para MLOps – Governança de dados: Políticas e melhores práticas – Qualidade de dados e detecção de viés – Ferramentas de ETL (Extract, Transform, Load) – GDPR e outras regulamentações de proteção de dados – Data lineage e auditoria
Módulo 10: Operações de Modelo e Gerenciamento do Ciclo de Vida Este módulo explora como gerenciar o ciclo de vida completo dos modelos de machine learning, desde a experimentação inicial até a aposentadoria do modelo. – Ciclo de vida de desenvolvimento de modelos – Ferramentas de experimentação e tracking (Weights & Biases, Neptune.ai) – Deploy e serve de modelos em ambientes de produção – Monitoramento de desempenho e diagnóstico de problemas – Atualização e re-treino de modelos – Técnicas de A/B Testing e validação – Gerenciamento de riscos e plano de continuidade
Possui graduação em Sistemas de Informação pela Universidade de Uberaba (2005), Especialização em Docência na Educação Superior pela UFTM – Universidade Federal do Triângulo Mineiro e Mestrado em Inovação Tecnológica pela UFTM (2015). Atualmente é professor mestre na Faculdade Talentos Humanos, Secretário de Administração na Prefeitura Municipal de Conquista e está em formação em Data Science.
Levamos para o formato online características que fizeram nossas aulas se tornarem referência, por meio de uma metodologia atual.
Trilha de aprendizagem inovadora, com foco na sua experiência e desenvolvimento.
Conteúdos dinâmicos, abrangentes às áreas de formação com certificação a cada módulo concluído.
TCC não obrigatório.
Aplicativo exclusivo para facilitar seus estudos.
