Buscar

Atividade Objetiva 3_ 15 - Cultura e Práticas DataOps e MLOps (2023)

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Você viu 3, do total de 3 páginas

Prévia do material em texto

29/02/2024, 20:06 Atividade Objetiva 3: 15 - Cultura e Práticas DataOps e MLOps (2023)
https://pucminas.instructure.com/courses/174158/quizzes/428565 1/3
Atividade Objetiva 3
Entrega Sem prazo
Pontos 15
Perguntas 5
Limite de tempo Nenhum
Tentativas permitidas Sem limite
Instruções
Histórico de tentativas
Tentativa Tempo Pontuação
MAIS RECENTE Tentativa 1 3 minutos 15 de 15
 As respostas corretas estão ocultas.
Pontuação desta tentativa: 15 de 15
Enviado 29 fev em 20:06
Esta tentativa levou 3 minutos.

Pergunta 1
3 / 3 pts
 
Integração contínua se refere à integração de diferentes ferramentas de DataOps e MLOps em um único ambiente de
desenvolvimento.
 
Integração contínua refere-se à prática de integrar apenas os códigos finais de um projeto de Machine Learning, ignorando
os estágios intermediários.
 Integração contínua é uma técnica exclusiva para a integração de algoritmos de Machine Learning em sistemas legados.
 
Integração contínua é a prática de integrar continuamente as alterações no código-fonte e outras partes do projeto,
permitindo uma validação automática e frequente.
O objetivo desta atividade é proporcionar uma melhor fixação quanto ao conteúdo da unidade 3. Com isso
você será capaz de ter um entendimento das abordagens apresentadas na unidade.
Para iniciar o questionário:
Clique em "Fazer o teste";
Responda todas as questões e depois clique no botão "Enviar teste" para finalizar a atividade.
Depois de enviar seu questionário, clique no botão "Próximo" logo abaixo para continuar. ⬇ 
Fazer o teste novamente
O que significa integração contínua no contexto de MLOps?
https://pucminas.instructure.com/courses/174158/quizzes/428565/history?version=1
https://pucminas.instructure.com/courses/174158/quizzes/428565/take?user_id=58607
29/02/2024, 20:06 Atividade Objetiva 3: 15 - Cultura e Práticas DataOps e MLOps (2023)
https://pucminas.instructure.com/courses/174158/quizzes/428565 2/3
Esta é a alternativa correta. Integração contínua é a prática de integrar continuamente as alterações no
código-fonte, bem como outras partes do projeto, como testes automatizados e configuração de ambiente.
Isso permite uma validação automática e frequente, contribuindo para a detecção precoce de problemas.

Pergunta 2
3 / 3 pts
 Verdadeiro
Resposta correta.
 Falso

Pergunta 3
3 / 3 pts
 Verdadeiro
Resposta correta.
 Falso

Pergunta 4
3 / 3 pts
 
O versionamento de modelos refere-se à prática de atribuir uma única versão a todos os modelos desenvolvidos em um
projeto de Machine Learning.
 
Versionamento de modelos se refere à prática de armazenar modelos de Machine Learning em diferentes locais físicos para
garantir redundância.
 
Versionamento de modelos é uma técnica específica para atualizar automaticamente os modelos de Machine Learning sem
a necessidade de intervenção humana.
 
Versionamento de modelos envolve o controle de versões de modelos de Machine Learning, permitindo o acompanhamento
das mudanças ao longo do tempo e facilitando a reprodução de resultados.
Esta é a alternativa correta. O versionamento de modelos (model versioning) em MLOps envolve o controle
de versões de modelos de Machine Learning, permitindo o acompanhamento preciso das mudanças que
ocorrem ao longo do tempo. Isso é crucial para garantir a reprodução consistente dos resultados e para o
gerenciamento eficaz dos modelos em produção.

Pergunta 5
3 / 3 pts
O registro de modelos (model registry) em MLOps é uma prática que envolve o armazenamento e o controle
de versões de modelos de Machine Learning, facilitando a reprodução e o gerenciamento dos modelos em
produção. Com base no que foi aprendido sobre MLOps, pode-se dizer que o conteúdo da frase anterior é:
O versionamento de modelos (model versioning) em MLOps é uma prática que envolve o controle de
versões de modelos de Machine Learning, permitindo o acompanhamento das mudanças ao longo do tempo
e facilitando a reprodução de resultados. Podemos dizer que o conteúdo da afirmação anterior pode ser
considerado:
O que significa versionamento de modelos (model versioning) em MLOps?
29/02/2024, 20:06 Atividade Objetiva 3: 15 - Cultura e Práticas DataOps e MLOps (2023)
https://pucminas.instructure.com/courses/174158/quizzes/428565 3/3
 
Pipelines com GitHub Actions são um tipo de modelo de Machine Learning que utiliza a plataforma GitHub para treinar e
implantar modelos.
 
Pipelines com GitHub Actions são um conjunto de etapas automatizadas que integram, testam e implantam código e
modelos de Machine Learning diretamente do repositório do GitHub.
Esta é a alternativa correta. Pipelines com GitHub Actions são um conjunto de etapas automatizadas que
integram, testam e implantam código e modelos de Machine Learning diretamente do repositório do GitHub.
Eles permitem uma integração contínua e uma entrega eficiente de modelos.
 
Pipelines com GitHub Actions são um método exclusivo para implantar modelos de Machine Learning em ambientes locais
sem a necessidade de integração com ferramentas de CI/CD.
 
Pipelines com GitHub Actions são um recurso específico para gerenciar dados em um projeto de Machine Learning
hospedado no GitHub.
Pontuação do teste: 15 de 15
O que são pipelines com GitHub Actions no contexto de MLOps?

Outros materiais