MÓDULO I

Este módulo oferece uma introdução fundamental nas áreas de programação, estatística e ciência de dados. Ele foi projetado para desenvolver habilidades essenciais de programação e estatística, bases fundamentais para o domínio de técnicas avançadas de análise de dados e machine learning. Este módulo visa fornecer uma base sólida que permitirá ao aluno construir algoritmos, manipular dados e desenvolver uma visão analítica robusta, indispensável para as próximas etapas do curso.

• Lógica de programação
• Introdução à linguagem Python
<li “>Manipulação de dados com DataFrames, JSON,  visualização de dados e princípios de ETL.
• Estrutura de consultas SQL, subconsultas, funções de janela e operações de união de tabelas.
• Aprendizado supervisionado e não supervisionado, algoritmos baseados em árvores e técnicas de agrupamento.
• Medidas de dispersão, associações entre variáveis, probabilidade, inferência estatística e identificação de outliers.
• Etapas de um projeto de ciência de dados, engenharia de atributos, treinamento de algoritmos de machine learning e interpretação de erros.

MÓDULO II

Neste módulo, aprofundamos os conhecimentos técnicos e práticos necessários para o desenvolvimento de projetos de ciência de dados de forma escalável e alinhada ao ambiente de negócios. Este módulo capacita os alunos a trabalhar com ambientes de desenvolvimento controlados, versionamento de código e fundamentos de negócios. Além disso, aborda o aprimoramento de habilidades em machine learning e a aplicação prática de algoritmos de regressão, considerando os desafios de dados reais. O módulo também inclui um projeto integrador que permite ao aluno aplicar esses conhecimentos em problemas de negócio mais complexos, com foco em dados desbalanceados e multi-classes.

• Introdução ao versionamento de código com Git
• Fundamentos do versionamento
• Gerenciamento de ambientes virtuais com pyenv e IDEs
• Boas práticas para desenvolvimento e versionamento
• Modelos de negócio
• Métricas para análise de modelos de negócio
• Projeto profissional em ciência de dados
• Análise descritiva e exploratória dos dados
• Treinamento e ajuste de parâmetros de algoritmos de regressão
• Métricas de avaliação para modelos multi-classes>
• Treinamento e ajustes de algoritmos para dados desbalanceados
• Publicação do modelo em produção

MÓDULO III

Este módulo é  focado em soluções avançadas de computação em nuvem e gerenciamento de machine learning para transformar projetos de análise de dados em produtos de dados escaláveis. Os alunos serão capacitados a utilizar serviços de nuvem da AWS e GCP, aplicar técnicas de MLOps para gestão de algoritmos em produção e interpretar modelos de machine learning com foco em explicabilidade. O módulo culmina em um projeto integrador que possibilita a aplicação de todo o aprendizado em um problema real de negócios, envolvendo desde a análise exploratória até a publicação de modelos em ambientes de produção.

• Introdução à computação em nuvem na AWS
• Serviços da Cloud AWS e Sagemaker
• Introdução ao conceito de MLOps
• Uso do MLFlow para gestão de modelos
• Desenvolvimento, experimentação e publicação de modelos<
• Monitoramento de desempenho em produção
• Aplicação do método SHAP para interpretabilidade de modelos
• Implementação de modelos com Regressão Logística, XGBoost e Árvores Aleatórias
• Métricas de desempenho (Curva ROC, Precisão e Recall)
• Publicação de modelos em produção com Docker e Streamlit
• Técnicas de clusterização e análise exploratória
• Treinamento e ajuste de parâmetros em algoritmos de clusterização
• Introdução à Cloud GCP e seus serviços para ciência de dados
• Desenvolvimento de projetos de dados e transformação em produtos
• Fluxo de integração e entrega contínua (CI/CD) com Github Actions
• Consumo de modelos de machine learning no Looker