O que você aprenderá_

Compreenda os fundamentos teóricos da engenharia de Machine Learning.
Analise e trate conjuntos de dados de forma eficiente.
Desenvolva pipelines completas para pré-processamento e modelagem.
Valide previsões utilizando algoritmos como o Random Forest Classifier.
Implemente testes unitários com PyTest para assegurar a qualidade do processo.
Integre soluções com AWS para armazenamento e gestão de modelos.

Público alvo_

Ao final do curso, será possível desenvolver competências práticas para implementar soluções de Machine Learning, abrangendo desde a preparação e análise de dados até a construção e validação de modelos preditivos com pipelines robustas. Este curso é indicado para profissionais e entusiastas que desejam transitar do teórico para o prático, aprimorando a tomada de decisões através da integração de testes automatizados e AWS.

Bittencourt.henry.96

Curso atualizado em 08/09/2025

Já estuda na Alura?

Comece o curso agora

Ementa

Fundamentos de machine learning e mlops
- Introdução
- Por que usar machine learning?
- Modelo de machine learning
- Artefatos do modelo de ml
- Para saber mais: sistemas de recomendação
- Faça como eu fiz: criar modelo ML Ops
- O que aprendemos?
Análise exploratória e construção do modelo
- Análise exploratória de dados
- Execução completa do modelo
- Para saber mais: uso de heatmap na análise exploratória
- Faça como eu fiz: pipeline de CHURN
- O que aprendemos?
Testes em pipelines de Machine Learning
- Testes por etapa do pipeline
- O que testar no pipeline de ML
- Testes com lib pytest na prática
- Para saber mais: testando exceções com pytest.raises
- Faça como eu fiz: testar pipeline ML
- O que aprendemos?
Integração do pipeline com AWS
- Integração Deeproot + AWS
- Executando o primeiro código
- Para saber mais: criação de role na AWS
- Faça como eu fiz: integração DeepRoot e AWS
- O que aprendemos?
Boas práticas e evolução da pipeline
- Tags de champion e challenger
- Adaptando o código da pipeline
- Adaptando o código de testes
- Para saber mais: modularização da pipeline de machine learning
- Faça como eu fiz: pipeline ML
- O que aprendemos?
Execução e inferência do projeto
- Criação e execução da pipeline
- Inferência no modelo de ML
- Para saber mais: uso de notebooks na pipeline
- Faça como eu fiz: executar pipeline
- O que aprendemos?
- Conclusão

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