O que você aprenderá_

Estruture projetos de Machine Learning aplicando princípios da engenharia de software.
Organize o código conforme as convenções do PEP-8 e práticas de modularização.
Implemente a criação de pacotes Python para facilitar a manutenção e evolução dos sistemas.
Aplique os paradigmas da programação orientada a objetos e funcional para refletir entidades do mundo real.
Realize testes automatizados com PyTest garantindo a confiabilidade dos projetos.
Utilize Git e GitHub para colaborar de forma eficiente e manter a reprodutibilidade dos projetos.
Transforme notebooks em scripts otimizados para execução escalável.

Público alvo_

Pessoas desenvolvedoras, cientistas de dados e profissionais iniciantes em tecnologia que desejam entender os fundamentos da engenharia de software aplicados ao desenvolvimento de sistemas confiáveis, legíveis, escaláveis e voltados à análise de dados e IA.

Ana Clara de Andrade Mioto

Sou bacharela em Informática Biomédica e mestra em Bioengenharia, ambas pela USP. Hoje atuo como Cientista de Dados Sênior no Banco Bradesco. Já trabalhei como pesquisadora e em empresas dos setores de saúde, finanças, mídia e educação, destacando minha paixão no grande campo da Ciência de Dados e Inteligência Artificial com aplicações em diferentes áreas de negócio. Sou cofundadora e atual conselheira da comunidade Data Girls. Além disso sou apaixonada por livros, séries, games e um bom café.

Curso atualizado em 18/08/2025

Já estuda na Alura?

Comece o curso agora

Ementa

Apresentando os princípios da Engenharia de Software
- Apresentação
- Por que aplicar engenharia em projeto de dados?
- Princípios da engenharia de software: 1° ao 3°
- Diagnóstico
- Princípios da engenharia de software: 4° ao 7°
- Momento de reflexão
- Para saber mais: Expandindo os Princípios
- Sistemas de ML vs Software tradicional
- Colaboração entre equipes na plataforma Runner Circle
- Para saber mais: referências e complementos
- Faça como eu fiz: engenharia em dados
- O que aprendemos?
Conhecendo as boas práticas na construção de código
- Preparando o ambiente
- Entendendo código limpo
- Escrevendo código limpo
- Melhorando a legibilidade do código para exibição de filmes
- Desing e estrutura de projetos
- Para saber mais: comentários eficazes
- Para saber mais: referências e complementos
- Faça como eu fiz: limpar e modularizar código
- O que aprendemos?
Modularização e uso de funções
- POO vs. programação funcional em ciência de dados
- Integração de paradigmas para um sistema de recompensas dinâmico
- Convertendo notebooks em pacotes Python
- Para saber mais: mnemônicos na governança de dados
- Desafio
- Para saber mais: referências e complementos
- Faça como eu fiz: POO e PF no Churn
- O que aprendemos?
Documentação, testes e reprodutibilidade
- Documentação de código e projeto
- Testes automatizados em projetos de dados
- Para saber mais: reprodutibilidade
- Para saber mais: documentação e rotatividade em times
- Para saber mais: referências e complementos
- Faça como eu fiz: doc. e testes
- O que aprendemos?
Controle de versão com Git e workflows colaborativos
- Git e github para projetos de dados
- Fluxo de Trabalho Colaborativo
- Gerenciando atualizações de cardápio no Serenatto
- Para saber mais: git rebase na prática
- Para saber mais: referências e complementos
- Faça como eu fiz: Git e GitHub no Churn
- Conclusão
- O que aprendemos?

Descubra se esse curso é pra você! Leia as primeiras aulas

Comece essa formação agora mesmo e capacite-se para seu próximo projeto!

Conheça os planos

Escola

Data Science

Trabalhe com dados. Aprofunde seu conhecimento nas principais ferramentas de uma pessoa data scientist. Descubra as diferentes possibilidades de análise de dados, do Excel ao Python, e mergulhe em frameworks e bibliotecas, como Pandas, Scikit-Learn e Seaborn.

Conheça a escola