MLOps e Implantação
MLflow, Docker, FastAPI, Streamlit, Prefect, feature stores, pipelines de dados, monitoramento, métricas de negócio ML, implantação em nuvem
1Qual é o papel principal do MLflow em um workflow MLOps?
Qual é o papel principal do MLflow em um workflow MLOps?
Resposta
MLflow é uma plataforma open-source que gerencia o ciclo de vida completo dos modelos ML: tracking de experimentos (métricas, parâmetros, artefatos), packaging de modelos, registry centralizado e implantação. Isso permite reproduzir experimentos e versionar modelos de forma padronizada.
2Qual comando permite logar um parâmetro no MLflow?
Qual comando permite logar um parâmetro no MLflow?
Resposta
A função mlflow.log_param registra um hiperparâmetro (learning rate, epochs, batch size) associado a um run. Esses parâmetros ficam visíveis na MLflow UI e permitem comparar diferentes configurações de treinamento.
3Qual é a diferença entre mlflow.log_metric e mlflow.log_param?
Qual é a diferença entre mlflow.log_metric e mlflow.log_param?
Resposta
log_param registra valores fixos definidos antes do treinamento (hiperparâmetros como learning_rate, epochs), enquanto log_metric registra valores que evoluem durante ou após o treinamento (accuracy, loss). As métricas podem ser logadas várias vezes com diferentes steps para criar curvas.
Qual é a principal vantagem de usar Docker para implantar um modelo ML?
Por que usar um Dockerfile multi-stage para uma aplicação ML?
+21 perguntas de entrevista
Outros temas de entrevista Data Science & ML
Fundamentos de Python
Programação Orientada a Objetos em Python
Estruturas de dados em Python
Fundamentos do Git
Fundamentos de SQL
Fundamentos de NumPy
Fundamentos de Pandas
Jupyter & Google Colab
SQL Joins e consultas avançadas
Pandas avançado
Visualização com Matplotlib & Seaborn
Visualizações interativas com Plotly
Estatística descritiva
Estatística inferencial
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisionado: Regressão
ML Supervisionado: Classificação
Árvores de Decisão e Ensembles
ML Não Supervisionado
Pipelines ML e Validação
Séries Temporais e Previsão
Fundamentos de Deep Learning
TensorFlow & Keras
CNN e classificação de imagens
RNN e Sequências
Transformers e Attention
NLP e Hugging Face
GenAI e LangChain
Domine Data Science & ML para sua proxima entrevista
Acesse todas as perguntas, flashcards, testes tecnicos, exercicios de code review e simuladores de entrevista.
Comece gratis