Curso · 7 capítulos
Machine Learning
Construa modelos de ML clássicos que funcionam em produção. Com scikit-learn, aprenda divisão de dados, análise exploratória, engenharia de features e seleção de algoritmos em 7 capítulos de nível profissional.
O que você vai saber fazer
- Formular problemas como classificação ou regressão
- Dividir dados sem vazamento de informação
- Realizar análise exploratória de dados
- Criar features em pipelines organizados
- Escolher o algoritmo certo no scikit-learn
- Validar modelos com validação cruzada
O que tem dentro
- 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.
Perguntas frequentes
- O que vou aprender neste curso de machine learning?
- Você aprende o fluxo completo de ML clássico: divisão de dados, análise exploratória, limpeza de dados, engenharia de features, identificação do tipo de problema e escolha do algoritmo certo no scikit-learn. Os 7 capítulos são construídos em torno de decisões práticas voltadas para produção.
- Para quem é este curso?
- É voltado para engenheiros em nível profissional que querem construir modelos de machine learning confiáveis com scikit-learn. É ideal para engenheiros de software ou de dados que estão migrando para ML, já sabem programar e querem um processo de modelagem sistemático.
- Preciso ter experiência prévia ou saber programar?
- Sim, este é um curso de nível profissional, então você deve se sentir confortável programando em Python e trabalhando com dados. O curso pressupõe que você já consegue executar código, em vez de ensinar programação do zero.
- Qual é a duração do curso e há certificado?
- O curso tem 7 capítulos com duração total de aproximadamente 140 minutos (cerca de 2.3 horas). Ao concluir os capítulos na AI Academy, você recebe um certificado que pode ser compartilhado.
- Este curso é gratuito?
- Não, este é um curso pago incluído na assinatura da AI Academy by Anthropos. Após assinar, você tem acesso completo a todos os 7 capítulos.
Ganhe um certificado
Conclua todos os capítulos para receber seu certificado de conclusão.