UnB - Universidade de Brasília

Sistemas de Machine Learning

Desenvolva sistemas de ML do mundo real que sejam implementáveis, confiáveis e escaláveis. Aprenda sobre gerenciamento de dados, engenharia de features, deploy e monitoramento.

Profs. Carla Rocha, Isaque Alves, Guilherme
60 horas (4 créditos)
Semestre 2025/2
5 Módulos
20 Aulas
65% Projeto Final
1 Demo Day

O que você vai aprender

Gerenciamento de dados, engenharia de dados e engenharia de features para ML
Abordagens para seleção de modelos, treinamento e escalabilidade
Monitorar continuamente e implementar mudanças em sistemas de ML
Estrutura de equipe e métricas de negócio para projetos de ML
Questões de privacidade, equidade e segurança em ML
Deploy de modelos com ferramentas MLOps e Ray Serve

Por que design de sistemas de ML?

O design de sistemas de machine learning é o processo de definir a arquitetura de software, infraestrutura, algoritmos e dados para um sistema de ML atender aos requisitos especificados.

A abordagem tutorial tem sido bem-sucedida em colocar modelos em funcionamento. No entanto, os sistemas resultantes tendem a ficar desatualizados rapidamente porque: (1) o espaço de ferramentas está sendo inovado, (2) os requisitos de negócio mudam, e (3) as distribuições de dados mudam constantemente.

Habilidades que você vai desenvolver

MLOps Feature Engineering Model Training Data Pipeline Model Deployment Monitoring Ray Serve CI/CD for ML Time Series GNN Fairness ML Security

Conteúdo do Curso

5 módulos
Este curso visa fornecer uma estrutura iterativa para desenvolver sistemas de machine learning do mundo real. Começamos considerando todos os interessados em cada projeto de ML e seus objetivos. Diferentes objetivos exigem diferentes escolhas de design, e este curso discutirá os trade-offs dessas escolhas.
1
Fundamentos de ML e Sistemas de Dados
Aulas 1-3

Entenda os fundamentos da produção de machine learning e como trabalhar com dados de treinamento de forma eficiente.

  • Entendendo a produção de machine learning
  • Fundamentos de ML e sistemas de dados
  • Dados de treinamento
2
Engenharia de Features e Modelos
Aulas 4-8

Aprenda técnicas de engenharia de features e como selecionar, desenvolver e avaliar modelos de ML.

  • Engenharia de features
  • Seleção, desenvolvimento e treinamento de modelos
  • Avaliação de modelos
3
Deploy e MLOps
Aulas 9-10

Coloque seus modelos em produção usando ferramentas modernas de MLOps.

  • Deploy de modelos
  • Tutoriais de deployment
  • Avaliação de ferramentas MLOps e Ray Serve
4
Monitoramento e Aprendizado Contínuo
Aulas 11-14

Aprenda a diagnosticar falhas, monitorar modelos em produção e implementar aprendizado contínuo.

  • Diagnóstico de falhas em sistemas de ML
  • Shifts de distribuição de dados
  • Monitoramento & Aprendizado Contínuo
  • Deploy e rastreamento de experimentos
5
Tópicos Avançados e Projeto Final
Aulas 16-20

Explore tópicos avançados como séries temporais, GNN, fairness e segurança. Apresente seu projeto final.

  • Forecasting em séries temporais e GNN
  • ML além da acurácia: Fairness, Segurança e Governança
  • Infraestrutura e plataformas de ML
  • Integração de ML em negócios
  • Demo day de projetos finais
Formato
Presencial + Material assíncrono
Metodologia
Aprendizagem por projetos
Linguagem
Python (recomendado)

Avaliação

Fórmula da Nota Final:

Componente Peso Descrição
Projeto Final 65% Construa uma aplicação completa de ML. Apresentação no Demo Day.
Trabalhos 30% 2-3 tarefas focadas para reforçar conceitos-chave.
Participação 5% Contribuição nas discussões em sala e fóruns.

Bibliografia

Bibliografia Básica:
Isaque Alves et al. "Practices for managing machine learning products: A multivocal literature review". Disponível aqui
Chip Huyen, "Projetando Sistemas de Machine Learning: Processo Interativo Para Aplicações Prontas Para Produção"
Curso inspirado em: Stanford CS329S
Bibliografia Complementar:
Deep Dive into LLMs like ChatGPT - Andrej Karpathy

Perguntas Frequentes

Os materiais não são difíceis de entender, mas os projetos finais são bastante envolventes. Esteja pronto para construir coisas e aprender com experiência prática!