Sua carreira alura em

Engenharia de Machine Learning

Aprenda todos os conteúdos exigidos pelo mercado para que você alavanque sua carreira de Engenharia de Machine Learning.

❤Quero me matricular

Ilustração de uma jornada de carreira, onde um personagem segue um caminho sinuoso chamado 'Mapa da sua Carreira' até um troféu dourado.

SOBRE A CARREIRA

CONQUISTE SEU LUGAR NO MERCADO

Com a Carreira de Engenharia de Machine Learning, você segue um caminho organizado de evolução profissional, direto ao ponto. Uma jornada estruturada, com desafios reais, conteúdos práticos e tudo que o mercado espera.

Prepare-se para ir além, com confiança, clareza e consistência.

❤Quero me matricular

CARREIRA

Engenharia de Machine Learning_

Ver carreira

❤Quero me matricular

INSTRUTORES DO MERCADO

APRENDA COM REFERÊNCIAS DO MERCADO

Esta Carreira é conduzida por profissionais que são destaques ativos no mercado de tecnologia. Eles atuam em empresas reconhecidas e compartilham, nas aulas, as melhores práticas que realmente fazem diferença na vida profissional.

❤Quero me matricular

Ana Clara Mioto

Ana Clara é bacharela em Informática Biomédica e... Ver mais

Camila Quixabeira

Consultora de Dados com passagem por Engenharia... Ver mais

Julles Mitoura

Engenheiro químico com mestrado e doutorado, atuo... Ver mais

Letícia Pires

Letícia possui mais de 4 anos de experiência em... Ver mais

Construa sua base sólida para trabalhar com dados usando as principais ferramentas
O ciclo básico constrói a base técnica para quem deseja entrar na área de dados e iniciar a jornada rumo à Engenharia de Machine Learning. Ao concluir este nível, você terá os fundamentos necessários para desenvolver projetos com dados e compreender como soluções de machine learning são estruturadas no mercado.Neste ciclo, você aprende programação em Python com boas práticas de desenvolvimento, manipulação e análise de dados com Pandas e fundamentos de estatística descritiva para compreender dados e resultados. Também desenvolve habilidades essenciais de consulta e manipulação de dados utilizando SQL, além de aprender controle de versão com Git e GitHub para colaboração em projetos. Você também entra em contato com fundamentos de computação em cloud, entendendo o ambiente onde aplicações de dados e machine learning são executadas em escala. Ao longo das atividades, também explora ferramentas modernas de desenvolvimento, incluindo o uso de IA como apoio na escrita de código e na resolução de problemas, ajudando profissionais a trabalhar com mais eficiência.Ao final deste nível, você terá uma base sólida em programação, dados e infraestrutura, preparada para avançar para a construção de aplicações que utilizam machine learning.
Habilidades que desbloqueia nesse nível:
Aplicar métodos de transformação de dados
Agrupar dados para criação de tabelas
Trabalhar com dados do tipo datetime com Pandas
Extrair informações a partir dos dados
Manipular diferentes tipos de dados com Pandas
Elaborar gráficos para ajudar na análise dos dados
Elaborar gráficos para ajudar na análise dos dados
Criar e manipular funções em Python
Desenvolver projetos básicos em Python
Aplicar filtragem e seleção de dados usando a biblioteca pandas
Aplicar métodos de transformação de dados
Aplicar métodos de transformação de dados
Manipular um DataFrame Pandas
Trabalhar com fontes de dados XML, CSV, Excel e JSON
Manipular um DataFrame Pandas
Identificar e tratar exceções em Python
Criar e manipular dicionários em Python
Manipular um DataFrame Pandas
Criar e manipular listas em Python
01 - COMECE AQUI
Iniciando em dados: aprendendo Python
Curso Base
02
SQL: explorando consultas e manipulação de dados
Curso Base
03
Pandas: analisar e preparar dados para decisões de negócio
Curso Base
04
Estatística: métodos e práticas para dados
Curso Base
05
Github: como publicar projetos em dados
Curso Base
Domine as bases da Engenharia de ML e construa sua primeira entrega
No primeiro nível da carreira de Engenharia de Machine Learning, você começa a dar os passos fundamentais para transformar modelos em soluções reais. Aqui, você aprofunda seus conhecimentos em modelos clássicos de machine learning, como regressão e classificação, entendendo não apenas como treiná-los, mas também como estruturá-los para uso prático. Ao mesmo tempo, aprende a expor resultados por meio de APIs com Flask e FastAPI e a criar dashboards interativos com Streamlit, conectando modelos a aplicações reais.Outro pilar essencial deste nível é a introdução à engenharia de software, explorando padrões de arquitetura, organização de código e boas práticas que tornam projetos mais escaláveis e sustentáveis. Esse conhecimento é complementado pelo uso de containers com Docker, preparando modelos e aplicações para ambientes de produção.Além disso, você entra em contato com processamento distribuído com Spark e fundamentos de cloud, incluindo aspectos de custos e segurança em ambientes AWS. Esse conjunto de habilidades marca a transição do iniciante para o profissional capaz de construir, empacotar e disponibilizar soluções de machine learning prontas para uso em ambientes reais.
- 10 cursos
- 106 horas para conclusão
- Com certificado de conclusão
Habilidades que desbloqueia nesse nível:
Desenvolver APIs REST
Colocar um pipeline em produção
Tratar uma base de dados antes de inserir em modelos de machine learning
Compreender os resultados dos modelos de regressão através de métricas e gráficos
Extrair dados de uma API com a biblioteca Requests
Manipular um DataFrame Pandas
Entender integração contínua
Trabalhar com dados do tipo datetime com Pandas
Desenvolver projetos básicos em Python
Tratar uma base de dados antes de inserir em modelos de machine learning
Criar e manipular DataFrames a partir de consultas SQL
Treinar modelos de machine learning
Tratar uma base de dados antes de inserir em modelos de machine learning
Manipular um DataFrame Pandas
Manipular um DataFrame Pandas
Trabalhar colaborativamente com Git e GitHub
Aplicar transformações nos dados
Entender integração contínua
Manipular um DataFrame Pandas
Trabalhar colaborativamente com Git e GitHub
Treinar modelos de machine learning
Tratar uma base de dados antes de inserir em modelos de machine learning
Manipular um DataFrame Pandas
Autenticar usuários com JWT
Implementar um modelo de regressão RandomForestRegressor
Criar diferentes gráficos com a biblioteca Plotly
Treinar modelos de machine learning
Treinar modelos de machine learning
Fazer requisições HTTP para uma API
Extrair dados de uma API com a biblioteca Requests
Proteger de rotas de uma API
Refatorar código buscando legibilidade
Construir pipeline de dados
Utilizar cláusulas do SQL
Fazer uma aplicação online no Streamlit
Tratar uma base de dados antes de inserir em modelos de machine learning
Criar um dashboard interativo com Streamlit
Colocar um pipeline em produção
Implementar boas práticas e padrões de projeto
Realizar limpeza e tratamento da base de dados
Aplicar métodos de transformação de dados
Selecionar e interpretar quais são as features mais relevantes para o modelo de machine learning
Criar diferentes filtros, abas e páginas no Streamlit
Validar modelos de machine learning
Integrar AWS Bucket S3
Aplicar métodos de transformação de dados
Criar um dashboard interativo com Streamlit
Avaliar modelos de machine learning usando métricas de desempenho
Colocar um pipeline em produção
Utilizar o ChatGPT como assistente pessoal em um projeto de Machine Learning
Avaliar o desempenho de modelos de classificação
Treinar modelos de machine learning
Realizar limpeza e tratamento da base de dados
Treinar modelos de machine learning
01
Regressão Linear: fundamentos e avaliação de modelos
Curso Nível 1
02
Classificação: entendendo os modelos tradicionais de ML
Curso Nível 1
03
Regressão: avançando em modelos regressivos
Curso Nível 1
04
APIs e Machine Learning: colocar modelos do notebook em produção com Flask e FastAPI
Curso Nível 1
05
Streamlit: construindo um dashboard interativo
Curso Nível 1
06
Python: Fundamentos e Padrões de Arquitetura de Software
Curso Nível 1
07
Docker: machine learning para produção
Curso Nível 1
08
PySpark: processamento e modelagem em larga escala
Curso Nível 1
09
AWS: ciência de dados, gestão de segurança e custos
Curso Nível 1
10
Projeto de engenharia de machine learning: repositório, Docker e deploy na AWS com FastAPI
Curso Nível 1
11 - Checkpoint da Carreira

Neste nível, você deu os primeiros passos na construção de soluções de machine learning aplicáveis em cenários reais. Ao longo dos conteúdos, você desenvolveu modelos clássicos de regressão e classificação e começou a estruturar projetos de machine learning com boas práticas de engenharia. Também aprendeu a disponibilizar modelos por meio de APIs com Flask e FastAPI e a criar dashboards interativos com Streamlit, aproximando soluções de ML do uso em aplicações reais. Além disso, entrou em contato com containers utilizando Docker, processamento distribuído com Spark e fundamentos de cloud voltados para custos e segurança em ambientes AWS.No próximo nível, você irá aprofundar arquitetura de dados, automação e orquestração de pipelines, além de práticas completas de MLOps para sistemas de machine learning.
Refine suas habilidades em estruturação, entrega e qualidade
Neste nível você evolui da construção de aplicações para o projeto de sistemas de machine learning mais robustos e automatizados, utilizados em ambientes reais de produção. Fechando este ciclo da carreira, você estará preparado para trabalhar com arquiteturas de dados e pipelines de machine learning utilizados em ambientes reais de produção.Nessa etapa, você aprofunda práticas de engenharia de software aplicadas a projetos de dados, aprendendo design patterns, testes automatizados e estratégias de qualidade de código que tornam soluções de machine learning mais confiáveis e sustentáveis. Você também aprende arquiteturas modernas de dados, como Data Lakes, Data Warehouses e Lakehouses, além de trabalhar com ferramentas amplamente utilizadas no mercado, como Databricks. Além disso, você vai aprender sobre a construção e orquestração de pipelines de dados e modelos utilizando ferramentas como Apache Airflow e Kubernetes, integrando preparação de dados, treinamento e entrega de modelos em fluxos automatizados. Também são exploradas práticas de CI/CD aplicadas ao ciclo de vida de machine learning.Do ponto de vista analítico, você amplia seu repertório com modelos de séries temporais, clusterização e processamento de linguagem natural, aplicando essas abordagens dentro de pipelines mais complexos. Durante os projetos, também explora ferramentas que utilizam inteligência artificial como apoio ao desenvolvimento, ajudando a otimizar tarefas técnicas e acelerar a construção de soluções.Ao final deste nível, você será capaz de projetar pipelines e arquiteturas de machine learning estruturadas, trabalhando com práticas modernas de MLOps utilizadas em ambientes corporativos.
- 14 cursos
- 174 horas para conclusão
- Com certificado de conclusão
Habilidades que desbloqueia nesse nível:
Implementar boas práticas e padrões de projeto
Colocar um pipeline em produção
Criar Deployments
Modelar os relacionamentos entre entidades
Aplicar transformações nos dados para serem usados em modelos de inteligência artificial
Utilizar padrões de design de código
Manipular um DataFrame Pandas
Aplicar as formas normais em um banco de dados
Processamento em lote e tratamento de erros
Trabalhar colaborativamente com Git e GitHub
Estruturar Data Lakes
Aplicar o processo do ETL (extração, transformação e carga) para atender às demandas do projeto
Utilizar o Serverless Framework
Criar diferentes gráficos com a biblioteca Plotly
Modelar um Data Warehouse
Manipular um DataFrame Pandas
Praticar herança, polimorfismo, encapsulamento e interface
Treinar modelos de machine learning
Aplicar métodos de transformação de dados
Tratar dados com Spark pandas API
Criar ambientes virtuais para garantir a execução de projetos de acordo com as versões das bibliotecas necessárias
Colocar um pipeline em produção
Aplicar métodos de transformação de dados
Realização de testes de unidade
Trabalhar colaborativamente com Git e GitHub
Executar diferentes consultas no SQLite a partir de um ambiente Python
Aplicar boas práticas para manter seu código limpo e eficiente
Construir pipeline de dados
Desenvolver projetos básicos em Python
Entender integração contínua
Gerenciar de variáveis de ambiente
Executar funções AWS lambda
Integrar aplicação e banco de dados
Treinar modelos de machine learning
Interpretar métricas de avaliação de modelos
Construir pipeline de dados
Trabalhar colaborativamente com Git e GitHub
Colocar um pipeline em produção
Interpretar métricas de avaliação de modelos
Construir pipeline de dados
Criar um dashboard interativo com Streamlit
Trabalhar colaborativamente com Git e GitHub
Construir pipeline de dados
Colocar um pipeline em produção
Implementar estruturas e políticas de governança
Trabalhar com dados do tipo datetime com Pandas
Treinar modelos de machine learning
01
Governança de dados: Qualidade de metadados
Curso Nível 2
02
Governança de dados: mapeando a origem e o destino com linhagem de dados
Curso Nível 2
03
Engenharia de software para dados: princípios básicos
Curso Nível 2
04
Engenharia de Dados: Arquiteturas de Dados Modernas - DW, Data Lake e Lakehouse
Curso Nível 2
05
Design Patterns em Python: aplicação e melhores práticas
Curso Nível 2
06
Séries temporais com Python: modelagem e previsão com ARIMA e SARIMAX
Curso Nível 2
07
NLP: aplicando processamento de linguagem natural para análise de sentimentos
Curso Nível 2
08
MLflow: gestão e rastreabilidade do ciclo de vida de modelos
Curso Nível 2
09
Kubeflow: construindo pipelines de machine learning em produção
Curso Nível 2
10
Python: testes automatizados e qualidade de código
Curso Nível 2
11
Integração Contínua com Docker e GitHub Actions: do build ao deploy em nuvem
Curso Nível 2
12
Databricks: engenharia de Machine Learning e MLOps
Curso Nível 2
13
Engenharia de Dados: Orquestração de Pipelines com Apache Airflow
Curso Nível 2
14
[EM BREVE] Projeto engenharia de machine learning: orquestração, contratos e segmentação RFM
Curso Nível 2
15 - Checkpoint da Carreira

Neste nível, você avançou na construção de sistemas de machine learning mais estruturados, automatizados e preparados para ambientes reais. Ao longo dos conteúdos, você aprofundou práticas de engenharia de software aplicadas a projetos de dados, trabalhando com design patterns, testes automatizados e qualidade de código. Também explorou arquiteturas modernas de dados, como Data Lakes, Data Warehouses e Lakehouses, além de ferramentas amplamente utilizadas no mercado, como Databricks. Você aprendeu a estruturar pipelines de dados e modelos com orquestração utilizando Apache Airflow e Kubernetes, além de aplicar práticas de CI/CD ao ciclo de vida de modelos de machine learning. Por fim, ampliou seu repertório analítico trabalhando com séries temporais, clusterização e NLP dentro de pipelines mais complexos.No próximo nível, você irá aprofundar governança, monitoramento, deep learning e arquitetura de sistemas mais complexos em Engenharia de Machine Learning.
Domine a integração de pipelines de ML e garanta a qualidade e monitoramento no seu projeto.
Neste nível você passa a projetar sistemas completos de machine learning em escala, integrando dados, modelos e infraestrutura em arquiteturas utilizadas por empresas. Ao concluir esta etapa, você estará preparado para desenvolver e liderar soluções de machine learning em escala, atuando na arquitetura de sistemas que utilizam inteligência artificial em ambientes de produção.Aqui, você aprofunda práticas avançadas de MLOps, implementando automação, monitoramento, versionamento e reprocessamento de modelos, além de trabalhar com feature stores para padronizar e escalar o uso de atributos em diferentes aplicações. Também aprende a integrar pipelines de machine learning em diferentes provedores de cloud, como AWS, Azure e GCP. Em termos de modelagem, você avança para deep learning utilizando PyTorch, explorando aplicações em visão computacional e previsão de séries temporais. Também entra em contato com práticas de LLMOps, aprendendo como avaliar e integrar modelos generativos dentro de sistemas estruturados de engenharia, sempre com o apoio de inteligência artificial na criação de código, automações e experimentação.Outro conteúdo desse nível é a arquitetura de sistemas complexos, utilizando conceitos como Domain-Driven Design e DataOps, além de práticas de qualidade de dados, testes e governança de IA. Ao fechar o nível, você estará preparado para projetar e operar sistemas completos de machine learning em produção, atuando como engenheiro(a) de machine learning em alto nível técnico dentro das organizações.
- Com certificado de conclusão
1 - Checkpoint da Carreira

Você chegou ao topo da trilha e agora domina o ciclo completo de Engenharia de Machine Learning em produção!Ao longo dos conteúdos, você aprofundou práticas avançadas de MLOps, implementando automação, monitoramento, versionamento de modelos e utilização de feature stores em sistemas de ML. Aprendeu a integrar pipelines de machine learning, além de trabalhar com deep learning utilizando PyTorch em aplicações como visão computacional e séries temporais. Você entrou em contato com práticas de LLMOps e avaliação de modelos generativos, compreendendo como esses sistemas podem ser integrados a pipelines estruturados de engenharia.Além disso, consolidou conhecimentos em arquitetura de sistemas complexos, aplicando conceitos como Domain-Driven Design, DataOps, qualidade de dados, testes e governança de IA.Com esse conjunto de habilidades, você está preparado(a) para projetar e liderar soluções de machine learning em escala, atuando como engenheiro(a) de machine learning sênior, especialista ou líder técnico em ambientes que utilizam sistemas inteligentes em produção.

Conclusão da Carreira

❤Quero me matricular

CONQUISTAS DESBLOQUEADAS!

Habilidades Técnicas

Ao longo da trilha, você desenvolve competências práticas que reforçam sua confiança e preparo para os desafios reais do mercado.

Soft Skills

Durante a jornada, você fortalece comportamentos e atitudes essenciais para se destacar em qualquer ambiente profissional.

Posicionamento no Mercado

Ao seguir a carreira até o fim, você conquista preparo real e destaque entre os profissionais da área.

❤Quero me matricular

Mão amarela estilizada segurando uma bandeira azul, representando um checkpoint alcançado.

DESAFIOS PRÁTICOS

AVANCE COM CHECKPOINTS!

Ao final de cada etapa da carreira, você encara checkpoints com desafios práticos que testam e consolidam seu aprendizado.

São projetos que simulam situações reais do mercado ideais para ganhar confiança, montar portfólio e evoluir com propósito.

❤Quero me matricular