Aprende a transformar modelos de Machine Learning em soluções escaláveis, monitorizadas e prontas para produção.

O papel do Machine Learning Engineer é fundamental para transformar modelos experimentais em sistemas fiáveis, escaláveis e sustentáveis em contexto empresarial.

Neste curso, trabalhas todo o ciclo de vida do Machine Learning em produção: pipelines de dados, preparação de modelos, MLOps, deployment, monitorização e gestão contínua. A abordagem é orientada à engenharia, com foco em ambientes reais e integração com equipas de desenvolvimento e operações.

No final, consegues construir, versionar, colocar em produção e monitorizar modelos de ML de forma profissional.

 

Metodologia

:: Sessões práticas orientadas a casos reais

:: Exercícios técnicos guiados

:: Construção progressiva de pipeline end-to-end

:: Workshop final integrador

Objetivos

Ao longo do curso vais aprender a:

:: Aplicar o ciclo de vida completo de Machine Learning em produção;

:: Desenhar e implementar pipelines de dados escaláveis;

:: Desenvolver modelos orientados à produção;

:: Validar, otimizar e preparar modelos para deployment;

:: Aplicar práticas de MLOps (versionamento, automação, reprodutibilidade);

:: Colocar modelos em produção via API ou container;

:: Monitorizar modelos e gerir drift ao longo do tempo:

:: Comunicar decisões técnicas a diferentes stakeholders.

Destinatários

:: Profissionais de TI ou Engenharia de Software que pretendem trabalhar com ML em produção;

:: Data Scientists que querem evoluir para engenharia e operação de modelos;

:: Data Engineers que necessitam integrar pipelines de dados com ML;

:: Programadores e analistas técnicos envolvidos em projetos de IA;

:: Profissionais que pretendem desempenhar funções de ML Engineer ou colaborar em equipas de MLOps.

Pré-Requisitos

:: Conhecimentos básicos de Python;

:: Noções gerais de dados e estatística descritiva;

:: Familiaridade com notebooks, IDEs, linha de comandos ou APIs (nível introdutório).

Programa

  • Fundamentos de Machine Learning e Papel do ML Engineer
  • Data Ingestion e Data Engineering para ML
  • Desenvolvimento de Modelos Orientado a Produção
  • Otimização, Tuning e Validação
  • MLOps, Versionamento e Automação
  • Deployment de Modelos
  • Monitorização, Drift Detection e Manutenção
  • Workshop Final: ML Pipeline End-to-End
Download Programa Completo