A Engenharia de Machine Learning envolve mais do que apenas treinar modelos em larga escala: exige pipelines organizados, eficientes e reproduzíveis, que permitam levar modelos desde o ambiente experimental até a produção. Neste tutorial prático, você aprenderá como combinar duas ferramentas poderosas—Kedro e MLflow—para criar pipelines robustos e eficientes, de ponta a ponta.

Com o Kedro, estruturaremos projetos de dados de forma modular, passando pela ingestão e tratamento inicial até as etapas de modelagem, validação e seleção dos melhores modelos. Em paralelo, utilizaremos o MLflow para garantir o rastreamento detalhado dos experimentos, permitindo o registro automático de parâmetros, métricas e versões dos modelos criados.

Ao longo da atividade, os participantes construirão passo a passo um pipeline baseado em um caso prático real, aplicando conceitos essenciais de engenharia de ML em um ambiente guiado e colaborativo. Ao final, terão uma base sólida para começar a utilizar essas ferramentas em suas próprias rotinas profissionais, facilitando a criação de projetos que sigam as boas práticas de ML.