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 2026/1

8 Módulos

20 Aulas

65% Projeto Final

1 Demo Day

O que você vai aprender

Compreender o ciclo de vida completo de sistemas de Machine Learning em produção e os desafios de manter modelos em ambientes reais.

Projetar arquiteturas de MLOps para implantação, monitoramento e evolução contínua de modelos de ML.

Construir aplicações baseadas em Large Language Models e Retrieval-Augmented Generation (RAG).

Desenvolver agentes de IA capazes de integrar modelos de linguagem com APIs, ferramentas externas e workflows automatizados.

Projetar pipelines de dados para ML, considerando coleta, rotulação, qualidade e melhoria contínua de datasets.

Selecionar, treinar e avaliar modelos de machine learning utilizando métricas adequadas e análise sistemática de erros.

Monitorar sistemas de ML em produção, identificando problemas como concept drift e degradação de desempenho.

Projetar e implementar um sistema completo de ML ou IA generativa, do dado ao deploy, como projeto final do curso.

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

8 módulos

Este curso aborda o desenvolvimento de sistemas de Machine Learning e IA generativa do mundo real: do dado ao deploy. Ao longo dos módulos, você aprenderá a projetar, implantar e monitorar sistemas de ML em produção, construir aplicações com Large Language Models e RAG, e desenvolver agentes de IA. O curso combina fundamentos técnicos com práticas de MLOps, preparando você para entregar sistemas confiáveis, escaláveis e prontos para produção.

Introdução a Sistemas de Machine Learning

Este módulo apresenta o ciclo de vida de sistemas de machine learning em produção e os desafios associados ao desenvolvimento e operação desses sistemas.

Objetivos de aprendizagem: Analisar o ciclo de vida completo de sistemas de ML. Comparar pipelines de experimentação e pipelines de produção. Identificar desafios de manutenção de sistemas de ML em ambientes reais. Explicar o conceito de concept drift e seus impactos em sistemas de ML.

Introdução a sistemas de Machine Learning
Ciclo de vida de projetos de ML
Diferenças entre experimentação e produção
Estudo de caso de sistema de ML real

MLOps e Implantação de Sistemas de ML

Este módulo apresenta práticas de engenharia para a implantação e a operação de sistemas de ML.

Objetivos: Projetar arquiteturas de deploy de modelos. Comparar estratégias de implantação. Monitorar sistemas de ML em produção.

Principais desafios na implantação
Estratégias de deploy (shadow, canary, blue-green)
Monitoramento de modelos
Monitoramento de pipelines de dados
Concept drift e monitoramento de desempenho

LLM Systems e Retrieval-Augmented Generation

Este módulo introduz aplicações baseadas em Large Language Models (LLMs) e sistemas de Retrieval-Augmented Generation (RAG).

Objetivos: Explicar a arquitetura de sistemas baseados em LLM. Projetar pipelines de RAG. Avaliar aplicações baseadas em IA generativa.

Fundamentos de Large Language Models
Diferenças entre modelos discriminativos e generativos
Prompt engineering
Arquitetura de sistemas RAG
Embeddings e vetorização
Bancos vetoriais
Recuperação semântica de informação

Agentes de IA

Este módulo apresenta o conceito de agentes de IA e sua integração com sistemas baseados em LLM.

Objetivos: Explicar a arquitetura de agentes baseados em LLM. Projetar workflows automatizados com agentes. Avaliar riscos e limitações de sistemas autônomos.

Introdução a agentes de IA
Arquitetura de agentes baseados em LLM
Integração com APIs e ferramentas externas
Sistemas multi-agentes
Segurança e observabilidade

Engenharia de Dados para Machine Learning

Este módulo aborda o papel central dos dados no desenvolvimento de sistemas de ML, incluindo a coleta, a organização, a rotulação e a qualidade dos dados.

Objetivos: Analisar problemas de qualidade de dados em ML. Avaliar estratégias para melhoria de datasets. Projetar pipelines de dados para ML.

Obtenção e coleta de dados
Rotulação e consistência de rótulos
Problemas comuns em datasets
Human-level performance
Estratégias de melhoria de dados

Desenvolvimento e Avaliação de Modelos

Este módulo aborda técnicas de seleção, treinamento e avaliação de modelos de machine learning.

Objetivos: Projetar pipelines de modelagem. Avaliar desempenho de modelos. Aplicar análise de erros para melhoria de modelos.

Seleção e treinamento de modelos
Estabelecimento de baselines
Limitações de métricas agregadas
Análise de erros
Auditoria de desempenho

MLOps e Implantação de Sistemas de ML (Avançado)

Este módulo apresenta práticas de engenharia para a implantação e a operação de sistemas de ML.

Objetivos: Projetar arquiteturas de deploy de modelos. Comparar estratégias de implantação. Monitorar sistemas de ML em produção.

Principais desafios na implantação
Estratégias de deploy (shadow, canary, blue-green)
Monitoramento de modelos
Monitoramento de pipelines de dados
Concept drift e monitoramento de desempenho

Projeto Final

Os estudantes desenvolverão um sistema completo de ML ou de IA generativa.

Exemplos de projetos:

Chatbot baseado em documentos
Sistema de busca semântica
Assistente de análise de dados
Sistema de recomendação baseado em texto

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

ML for Developers

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!