Curso
Conceitos de Monitoramento de Machine Learning
IntermediárioNível de habilidade
Atualizado 05/2026
TheoryMachine Learning2 h11 vídeos33 Exercícios2,050 XP5,006Declaração de realização
Crie sua conta gratuita
Continuar com o GoogleMostrar mais opçõesou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados serão armazenados nos EUA.
Preferido por alunos de milhares de empresas
Treinando uma equipe?
Experimente para EmpresasDescrição do curso
Conceitos de monitoramento de machine learning
Os modelos de machine learning influenciam cada vez mais decisões no mundo real. Esses modelos precisam ser monitorados para evitar falhas e garantir que forneçam valor comercial à sua empresa. Este curso apresentará a você os conceitos fundamentais da criação de um sistema de monitoramento robusto para seus modelos em produção.Descubra o fluxo de trabalho de monitoramento ideal
O curso começa com o plano de onde começar o monitoramento na produção e como estruturar os processos em torno dele. Cobriremos o fluxo de trabalho básico, mostrando a você como detectar os problemas, identificar as causas principais e resolvê-los com exemplos do mundo real.Explore os desafios de monitorar modelos na produção
A implantação de um modelo em produção é apenas o início do ciclo de vida do modelo. Mesmo que tenha um bom desempenho durante o desenvolvimento, ele pode falhar devido à mudança contínua dos dados de produção. Neste curso, você explorará as dificuldades de monitorar o desempenho de um modelo, especialmente quando não há verdade fundamental.Entenda em detalhes a mudança de covariável e o desvio de conceito
A última parte deste curso se concentrará em dois tipos de falha de modelo silencioso. Você entenderá detalhadamente os diferentes tipos de mudanças de covariáveis e desvios de conceito, sua influência no desempenho do modelo e como detectá-los e evitá-los.Pré-requisitos
MLOps ConceptsSupervised Learning with scikit-learn1
O que é Monitoramento de ML
O primeiro capítulo explica por que as empresas precisam monitorar seus modelos de machine learning em produção. Você vai aprender sobre o fluxo de trabalho ideal de monitoramento e as etapas envolvidas, além de alguns dos desafios que os sistemas de monitoramento podem enfrentar em produção.
2
Conceitos Teóricos de Monitoramento
No Capítulo 2, você vai descobrir a importância fundamental de monitorar o desempenho em um sistema de monitoramento confiável. Vamos explorar os desafios comuns enfrentados em ambientes de produção reais, como a disponibilidade da ground truth. Ao final do capítulo, você saberá como lidar com situações em que os dados de ground truth estão atrasados ou ausentes, usando algoritmos de estimativa de desempenho.
3
Detecção de Covariate Shift e Concept Drift
Agora que você conhece o básico sobre covariate shift e concept drift em produção, vamos nos aprofundar um pouco mais. Ao final deste capítulo, você conhecerá as diferentes maneiras de detectá-los e tratá-los em cenários do mundo real.
Conceitos de Monitoramento de Machine Learning
Curso concluído
Obtenha um certificado de conclusão
Adicione esta credencial ao seu perfil do LinkedIn, currículo ou CVCompartilhe nas redes sociais e em sua avaliação de desempenhoInscreva-se agora
Faça como mais de 19 milhões de alunos e comece Conceitos de Monitoramento de Machine Learning hoje mesmo!
Crie sua conta gratuita
Continuar com o GoogleMostrar mais opçõesou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados serão armazenados nos EUA.
Desenvolva suas habilidades em dados com o app do DataCamp
Continue progredindo em qualquer lugar com nossos cursos para celular e desafios diários de programação de 5 minutos.