# MLOps e Implantação (Data Science & ML)

> MLflow, Docker, FastAPI, Streamlit, Prefect, feature stores, pipelines de dados, monitoramento, métricas de negócio ML, implantação em nuvem

- 24 perguntas de entrevista
- Senior
- [Perguntas de entrevista: Data Science & ML](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista.md)

## 1. 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.

## 2. 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.

## 3. 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.

## Mais 21 perguntas disponiveis

- Qual é a principal vantagem de usar Docker para implantar um modelo ML?
- Por que usar um Dockerfile multi-stage para uma aplicação ML?

Cadastre-se gratis: https://sharpskill.dev/pt/login

## Outros temas de entrevista Data Science & ML

- [Fundamentos de Python](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/python-basics.md): 25 perguntas, Junior
- [Programação Orientada a Objetos em Python](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/python-oop.md): 20 perguntas, Junior
- [Estruturas de dados em Python](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/python-data-structures.md): 20 perguntas, Junior
- [Fundamentos do Git](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/git-fundamentals.md): 18 perguntas, Junior
- [Fundamentos de SQL](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/sql-basics.md): 20 perguntas, Junior
- [Fundamentos de NumPy](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/numpy-fundamentals.md): 22 perguntas, Junior
- [Fundamentos de Pandas](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/pandas-basics.md): 22 perguntas, Junior
- [Jupyter & Google Colab](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/jupyter-colab.md): 16 perguntas, Junior
- [SQL Joins e consultas avançadas](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/sql-joins-advanced.md): 22 perguntas, Mid-Level
- [Pandas avançado](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/pandas-advanced.md): 24 perguntas, Mid-Level
- [Visualização com Matplotlib & Seaborn](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/matplotlib-seaborn.md): 20 perguntas, Mid-Level
- [Visualizações interativas com Plotly](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/plotly-interactive.md): 18 perguntas, Mid-Level
- [Estatística descritiva](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/statistics-descriptive.md): 20 perguntas, Mid-Level
- [Estatística inferencial](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/statistics-inferential.md): 24 perguntas, Mid-Level
- [Web Scraping](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/web-scraping.md): 18 perguntas, Mid-Level
- [BigQuery & Cloud Data](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/bigquery-cloud.md): 18 perguntas, Mid-Level
- [Feature Engineering](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/feature-engineering.md): 22 perguntas, Mid-Level
- [ML Supervisionado: Regressão](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/ml-supervised-regression.md): 24 perguntas, Mid-Level
- [ML Supervisionado: Classificação](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/ml-supervised-classification.md): 24 perguntas, Mid-Level
- [Árvores de Decisão e Ensembles](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/ml-trees-ensembles.md): 24 perguntas, Mid-Level
- [ML Não Supervisionado](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/ml-unsupervised.md): 22 perguntas, Mid-Level
- [Pipelines ML e Validação](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/ml-pipelines-validation.md): 22 perguntas, Mid-Level
- [Séries Temporais e Previsão](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/time-series-forecasting.md): 22 perguntas, Mid-Level
- [Fundamentos de Deep Learning](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/deep-learning-fundamentals.md): 24 perguntas, Senior
- [TensorFlow & Keras](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/tensorflow-keras.md): 22 perguntas, Senior
- [CNN e classificação de imagens](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/cnn-image-classification.md): 24 perguntas, Senior
- [RNN e Sequências](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/rnn-sequences.md): 22 perguntas, Senior
- [Transformers e Attention](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/transformers-attention.md): 24 perguntas, Senior
- [NLP e Hugging Face](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/nlp-huggingface.md): 24 perguntas, Senior
- [GenAI e LangChain](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/genai-langchain.md): 24 perguntas, Senior

---

Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack.
HTML version of this page: https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/mlops-deployment