Google Vertex AI: Construção e Implantação de Modelos de Machine Learning

O curso Google Vertex AI – Construção e Implantação de Modelos de Machine Learning foi desenvolvido para profissionais que já possuem conhecimentos fundamentais em Machine Learning e desejam atuar de forma mais autônoma na construção, avaliação inicial e implantação de modelos no ambiente da Google Cloud.

28 horas Ao vivo Intermediário

Comprar curso

Google Vertex AI: Construção e Implantação de Modelos de Machine Learning

Inteligência Artificial

Explore mais sobre o curso

Ao longo do curso, o participante irá aprofundar o uso do Vertex AI para treinar modelos com AutoML e Custom Training, realizar ajustes de hiperparâmetros, versionar modelos, implantar soluções em endpoints e automatizar etapas do ciclo de Machine Learning por meio de pipelines básicos de MLOps. O foco está na execução prática e responsável do ciclo de vida de modelos, com tomadas de decisão técnicas compatíveis com o nível Pleno. Este curso prepara o profissional para atuar como Machine Learning Engineer ou Cientista de Dados Pleno, ampliando sua capacidade de entregar modelos funcionais em ambientes corporativos e avançando na trilha de preparação para a certificação Google Cloud Professional Machine Learning Engineer.

Módulos do Curso

Arquitetura end‑to‑end de Machine Learning no Vertex AI Arquitetura do Vertex AI para Projetos de ML
Integração de dados, treinamento, deploy e monitoramento Arquitetura do Vertex AI para Projetos de ML
Componentes-chave do Vertex AI Arquitetura do Vertex AI para Projetos de ML
Diferença entre AutoML e Custom Training Arquitetura do Vertex AI para Projetos de ML
Responsabilidades do ML Engineer Pleno Arquitetura do Vertex AI para Projetos de ML

AutoML Tabular para problemas de negócio AutoML no Vertex AI (Tabular, Texto e Visão)
AutoML para texto, visão e dados não estruturados AutoML no Vertex AI (Tabular, Texto e Visão)
Configuração de datasets e experimentos AutoML no Vertex AI (Tabular, Texto e Visão)
Avaliação de métricas e seleção de modelos AutoML no Vertex AI (Tabular, Texto e Visão)
Interpretação de resultados e uso prático AutoML no Vertex AI (Tabular, Texto e Visão)

Quando usar Custom Training Custom Training com Python
Estrutura de um job de treinamento customizado Custom Training com Python
Uso de contêineres gerenciados Custom Training com Python
Execução de treinamentos distribuídos Custom Training com Python
Integração com bibliotecas de ML em Python Custom Training com Python

Conceito e importância do ajuste de hiperparâmetros Hyperparameter Tuning
Configuração de experimentos de tuning Hyperparameter Tuning
Estratégias de busca e comparação de modelos Hyperparameter Tuning
Avaliação de desempenho e custo Hyperparameter Tuning
Boas práticas para tuning eficiente Hyperparameter Tuning

Registro de modelos no Vertex AI Model Registry e Versionamento
Versionamento e rastreabilidade Model Registry e Versionamento
Organização de modelos para ambientes corporativos Model Registry e Versionamento
Boas práticas de governança de modelos Model Registry e Versionamento
Preparação para auditoria e reutilização Model Registry e Versionamento

Deploy de modelos para produção Deploy com Vertex AI Endpoints
Configuração de endpoints escaláveis Deploy com Vertex AI Endpoints
Testes de inferência online e batch Deploy com Vertex AI Endpoints
Gerenciamento de versões em produção Deploy com Vertex AI Endpoints
Controle de custos e performance Deploy com Vertex AI Endpoints

O que é MLOps e por que é necessário Introdução a MLOps com Vertex AI Pipelines
Conceito de pipelines de ML Introdução a MLOps com Vertex AI Pipelines
Criação de pipelines simples no Vertex AI Introdução a MLOps com Vertex AI Pipelines
Automação do ciclo de treinamento e deploy Introdução a MLOps com Vertex AI Pipelines
Limitações do MLOps básico Introdução a MLOps com Vertex AI Pipelines