AWS ML Engineer Associate 3.3 Automatizar a implantação (Português) | AWS ML Engineer Associate 3.3 Automate Deployment (Portuguese)

Este curso apresenta o MLOps, uma metodologia que aplica práticas de DevOps, como integração contínua e entrega contínua (CI/CD), aos fluxos de trabalho de ML. Você aprenderá a criar estruturas de fluxo contínuo para invocar pipelines. Você também tomará decisões críticas sobre infraestrutura de implantação e estratégias de automação, com foco na mitigação de riscos e na melhoria do desempenho em ambientes de produção. Por fim, este curso aborda a criação e a integração de mecanismos para retreinar modelos, o que é essencial para acomodar novos dados ou atualizações no código do modelo.

• Nível do curso: avançado
• Duração: 1 hora e 15 minutos

Observação: Este curso tem transcrições/legendas traduzidas. A narração está em inglês. Para exibir as legendas, clique no botão CC no canto inferior direito do player.

Atividades

• Materiais on-line
• Perguntas de teste de conhecimento
• Uma avaliação do curso

Objetivos do curso

• Descrever o DevOps.
• Descrever o processo de lançamento do software.
• Descrever como os princípios de CI/CD se encaixam nos fluxos de trabalho de ML.
• Descrever MLOPs, as equipes envolvidas e os requisitos.
• Identificar os requisitos de DevOps para ML.
• Descrever os benefícios de automatizar os testes em pipelines de CI/CD.
• Descrever como projetos do Amazon SageMaker trazem práticas de CI/CD para o ML.
• Descrever os sistemas de controle de versão e o uso básico.
• Criar estruturas de fluxo contínuo para invocar pipelines.
• Descrever, configurar e solucionar problemas do AWS CodePipeline, do AWS CodeCommit, do AWS CodeBuild e do AWS CodeDeploy.
• Descrever como a ingestão de dados é automatizada e integrada aos serviços de orquestração de pipeline de ML.
• Automatizar fluxos de trabalho de ML com o AWS Step Functions e o AWS CodePipeline.
• Definir estratégias de implantação e ações de reversão.
• Descrever como os repositórios de código funcionam quando um pipeline é invocado.
• Explicar como integrar modelos de ML em um ambiente de produção.
• Criar e integrar mecanismos para retreinar modelos.
• Configurar trabalhos de inferência.

Público-alvo

• Arquitetos de nuvem
• Engenheiros de machine learning

Habilidades recomendadas

• Pelo menos um ano de experiência usando o Amazon SageMaker e outros serviços da AWS de engenharia de ML
• Pelo menos um ano de experiência em uma função relacionada, como desenvolvedor de software back-end, desenvolvedor DevOps, engenheiro de dados ou data scientist
• Ter compreensão fundamental de linguagens de programação, como Python
• Ter concluído os cursos anteriores no plano de aprendizado AWS ML Engineer Associate.

Conteúdo do curso

• Seção 1: Introdução
  • Lição 1: Como usar este curso
  • Lição 2: Visão geral do curso
  • Lição 3: Introdução ao DevOps
• Seção 2: Integração e implantação contínua
  • Lição 4: Introdução a MLOPs
  • Lição 5: Automatizar testes em pipelines de CI/CD
  • Lição 6: Sistemas de controle de versão
  • Lição 7: Estruturas de fluxo contínuo
• Seção 3: Processo de lançamento de software da AWS
  • Lição 8: Serviços de entrega contínua
  • Lição 9: Práticas recomendadas para configuração e solução de problemas
  • Lição 10: Automatizar a integração de dados no pipeline de ML
• Seção 4: Automatizar a orquestração
  • Lição 11: AWS Step Functions e AWS CodePipeline
  • Lição 12: Estratégias de implantação
• Seção 5: Modelos de novo treinamento
  • Lição 13: Como funcionam os repositórios de código
  • Lição 14: Criar e integrar mecanismos para novo treinamento
  • Lição 15: Configurar trabalhos de inferência
• Seção 6: Conclusão
  • Lição 16: Resumo do curso
  • Lição 17: Avaliação
  • Lição 18: Entrar em contato conosco