Production Machine Learning Systems - Português Brasileiro

Overview

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.

Syllabus

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.