К содержимому
learnspaceYOUR NEXT CHAPTER
ПРОСТРАНСТВО ОБУЧЕНИЯ
ГлавнаяКаталог курсовМоё обучениеCoursera

Знания без границ

Учитесь у лучших университетов и компаний мира.

Открыть Coursera
Интеграция
Пространство университета
Моё пространствоСтраница курса
↵
ЯЛичный кабинетСтудент
© 2026 LearnSpaceКаждый день — возможность узнать больше.Помощь
ML Pipelines on Google Cloud - Português · LearnSpace
Назад в каталог
courseraАнализ данных

ML Pipelines on Google Cloud - Português

Курс от Google Cloud
Продвинутый≈ 4 чБразильский португальский
О курсеНавыкиПрограммаПреподаватели

О курсе

Neste curso, você vai aprender com engenheiros e instrutores de ML que trabalham com o desenvolvimento de última geração dos pipelines de ML aqui no Google Cloud. Nos primeiros módulos, vamos abordar o TensorFlow Extended (ou TFX), que é uma plataforma de machine learning do Google baseada no TensorFlow criada para gerenciar pipelines e metadados de ML. Você vai conhecer os componentes e a orquestração de um pipeline com o TFX. Também vamos abordar como é possível automatizar os pipelines usando a integração e a implantação contínuas e como gerenciar os metadados de ML. Depois disso, vamos mudar o foco para discutir como podemos automatizar e reutilizar os pipelines de ML em vários frameworks de machine learning, como tensorflow, pytorch, scikit-learn e xgboost. Você também vai aprender a usar outra ferramenta no Google Cloud, o Cloud Composer, para orquestrar seus pipelines de treinamento contínuo. Por fim, vamos mostrar como usar o MLflow para gerenciar o ciclo de vida completo do machine learning.

Навыки, которые вы освоите

CI/CDTensorflowGoogle Cloud PlatformModel TrainingApache AirflowModel DeploymentMetadata ManagementMLOps (Machine Learning Operations)AI WorkflowsAI OrchestrationContinuous DeploymentData PipelinesModel Optimization

Программа курса

9 модулей · 41 учебных материалов

01Introdução1 материалов

Visão geral

Introdução ao cursoВидео
02Introdução aos Pipelines do TFX7 материалов

Visão geral

TensorFlow Extended (TFX)ВидеоConceitos do TFXВидеоComponentes padrão de dados do TFXВидео

Учитесь у экспертов

Google Cloud Training

Преподаватель курса

ML Pipelines on Google Cloud - Português
В каталоге вашей программы

Инвестируйте в себя

Новые знания — в удобное для вас время.

Начать на Coursera

Обучение откроется на Coursera
в новой вкладке

Обучение на Coursera

≈ 4 ч

9 модулей

Язык: Бразильский португальский

Субтитры: Английский

Часть программы вашего университета
Componentes padrão do modelo do TFXВидео
Nós de pipeline do TFXВидео
Bibliotecas do TFXВидео
TesteЗадание
03Orquestração do pipeline com o TFX4 материалов

Visão geral

Orquestradores do TFXВидеоApache BeamВидеоTFX no AI Platform do CloudВидеоTesteЗадание
04Componentes personalizados e CI/CD para pipelines do TFX4 материалов

Visão geral

Componentes personalizados do TFX: funções do PythonВидеоComponentes personalizados do TFX: contêineres + subclassificaçõesВидеоCI/CD para fluxos de trabalho de pipelines do TFXВидеоTeste Задание
05Metadados com o TFX3 материалов

Visão geral

Metadados de pipelines do TFXВидеоModelo de dados dos metadados de ML do TFXВидеоTesteЗадание
06Treinamento contínuo com vários SDKs, KubeFlow e AI Platform Pipelines5 материалов

Visão geral

Aplicativos de treinamento conteinerizadosВидеоComo fazer a conteinerização dos aplicativos PyTorch, Scikit e XGBoostВидеоKubeFlow e AI Platform PipelinesВидеоTreinamento contínuoВидеоTesteЗадание
07Treinamento contínuo com Cloud Composer6 материалов

Visão geral

O que é o Cloud Composer?ВидеоPrincipais conceitos do Apache AirflowВидеоPipelines de treinamento contínuo com o Cloud Composer (dados)ВидеоPipelines de treinamento contínuo com o Cloud Composer (modelo)ВидеоApache Airflow, contêineres e TFXВидеоTesteЗадание
08Pipelines de ML com o MLflow10 материалов

Visão geral

IntroduçãoВидеоVisão geral dos desafios do desenvolvimento de MLВидеоComo o MLflow enfrenta esses desafiosВидеоRastreamento do MLflowВидеоProjetos do MLflowВидеоModelos do MLflowВидеоRegistro dos modelos do MLflowВидеоDemonstração: Como implantar o MLflow no localВидеоDemonstração: MLflow usando o Databricks Community EditionВидеоTesteЗадание
09Resumo1 материалов

Resumo

Resumo do cursoВидео