Course · 7 chapters
Machine Learning
Build classical ML models that hold up in production. With scikit-learn, learn data splitting, EDA, feature engineering, and algorithm selection across 7 practitioner chapters.
What you'll be able to do
- Frame problems as classification or regression
- Split data without leakage
- Run exploratory data analysis
- Engineer features in clean pipelines
- Pick the right scikit-learn algorithm
- Validate models with cross-validation
What's inside
- 1Divisão de Dados — Train / Validation / Test do Jeito Certo
Entenda por que uma divisão em três conjuntos é inegociável, como escolher proporções, preservar estrutura, respeitar a ordem temporal e prevenir o vazamento que faz modelos brilharem no notebook mas falharem em produção.
- 2Boas Práticas para Seleção de Modelos — Combine Algoritmo com Dados + Objetivo
Aprenda o processo sistemático para escolher o algoritmo de ML certo: comece pelo baseline, combine com as características dos dados, valide com cross-validation e saiba quando colocar em produção.
- 3Machine Learning: Comece Aqui
O mapa de orientação da trilha de Machine Learning — por que estes seis capítulos andam juntos, o que você será capaz de fazer depois de concluí-los e por onde começar.
- 4Visão Geral de Algoritmos — Famílias do sklearn e Quando Usar Cada Uma
Mapeie cada tipo de problema de ML para as famílias concretas de algoritmos no scikit-learn — modelos lineares, árvores, SVMs, ensembles e mais — para escolher a ferramenta certa antes de escrever uma linha de código.
- 5Limpeza de Dados & Engenharia de Features
Valores ausentes, outliers, escalonamento, encoding e montagem de pipelines — transforme achados de EDA em features prontas para modelagem.
- 6Análise Exploratória de Dados — Distribuições, Correlações, Anomalias
Domine a investigação sistemática de datasets antes da modelagem — distribuições revelam forma, correlações revelam sinal e anomalias revelam o que precisa ser corrigido.
- 7Tipos de Problemas de ML — Classificação, Regressão, Clustering
Aprenda a identificar se sua pergunta de negócio exige um classificador, um regressor ou um algoritmo de clustering — a decisão que molda todas as escolhas posteriores.
Frequently asked questions
- What will I learn in this machine learning course?
- You learn the classical ML workflow end to end: data splitting, exploratory data analysis, data cleaning, feature engineering, identifying the problem type, and choosing the right scikit-learn algorithm. The 7 chapters are built around practical, production-minded decisions.
- Who is this course for?
- It is aimed at engineers at a practitioner level who want to build reliable machine learning models with scikit-learn. It suits software or data engineers moving into ML who already write code and want a systematic modeling process.
- Do I need prior experience or to know how to code?
- Yes, this is a practitioner-level path, so you should be comfortable coding in Python and working with data. It assumes you can run code rather than teaching programming from scratch.
- How long is the course and is there a certificate?
- The path has 7 chapters totaling about 140 minutes (roughly 2.3 hours). Completing the chapters in the AI Academy earns a certificate you can share.
- Is this course free?
- No, this is a paid path included with an AI Academy by Anthropos subscription. Once subscribed, you get full access to all 7 chapters.
Earn a certificate
Complete all chapters to receive your certificate of completion.