Production Machine Learning Systems - Português Brasileiro

Neste curso, vamos conhecer os componentes e as práticas recomendadas para criar sistemas de ML com alto desempenho em ambientes de produção. Vamos abordar algumas considerações comuns relacionadas à criação desses sistemas, como treinamento estático e dinâmico, inferência estática e dinâmica, TensorFlow distribuído e TPUs. O objetivo deste curso é conhecer as características de um sistema de ML eficiente, que vão muito além da capacidade de fazer boas previsões.

• Introdução ao machine learning avançado no Google Cloud
• Neste módulo, mostramos os temas que serão abordados no curso e ensinamos a usar o Qwiklabs para fazer todos os laboratórios no Google Cloud.
• Como arquitetar sistemas de ML de produção
• Neste módulo, você vai entender o que um sistema de ML de produção precisa fazer e como atender a essas necessidades. Você também vai aprender a tomar decisões de design importantes e de alto nível relacionadas a treinamentos e disponibilização de modelos para conseguir o perfil de desempenho certo para seu modelo.
• Como projetar sistemas de ML adaptáveis
• Neste módulo, você vai aprender a reconhecer as formas como o modelo fica dependente dos dados, tomar decisões de engenharia com foco nos custos, saber quando reverter os modelos para versões anteriores, depurar as causas do comportamento de um modelo observado e implementar um pipeline que seja imune a um tipo de dependência.
• Como projetar sistemas de ML com alto desempenho
• Neste módulo, você vai identificar as considerações sobre desempenho para modelos de machine learning. Os modelos de machine learning não são todos iguais. Em alguns modelos, o foco é melhorar o desempenho de E/S. Em outros, o objetivo é otimizar a velocidade de computação.
• Como criar sistemas de ML híbridos
• Entender as ferramentas e os sistemas disponíveis e quando usar modelos híbridos de machine learning.
• Resumo
• Links dos PDFs de todos os módulos