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

Letícia Pires

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

Julles Mitoura

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

Henrique Bittencourt

Engenheiro de Machine Learning, com experiência... Ver mais

Camila Quixabeira

Consultora de Dados com passagem por Engenharia... 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 filtragem e seleção de dados usando a biblioteca pandas
Criar e manipular funções em Python
Criar e manipular listas em Python
Manipular diferentes tipos de dados com Pandas
Desenvolver projetos básicos em Python
Manipular um DataFrame Pandas
Aplicar métodos de transformação de dados
Trabalhar com fontes de dados XML, CSV, Excel e JSON
Criar e manipular dicionários em Python
Aplicar métodos de transformação de dados
Trabalhar com dados do tipo datetime com Pandas
Extrair informações a partir dos dados
Manipular um DataFrame Pandas
Aplicar métodos de transformação de dados
Elaborar gráficos para ajudar na análise dos dados
Elaborar gráficos para ajudar na análise dos dados
Agrupar dados para criação de tabelas
Identificar e tratar exceções em Python
Manipular um DataFrame Pandas
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:
Tratar uma base de dados antes de inserir em modelos de machine learning
Manipular um DataFrame Pandas
Colocar um pipeline em produção
Treinar modelos de machine learning
Selecionar e interpretar quais são as features mais relevantes para o modelo de machine learning
Desenvolver projetos básicos em Python
Realizar limpeza e tratamento da base de dados
Tratar uma base de dados antes de inserir em modelos de machine learning
Trabalhar colaborativamente com Git e GitHub
Implementar um modelo de regressão RandomForestRegressor
Validar modelos de machine learning
Entender integração contínua
Proteger de rotas de uma API
Trabalhar com dados do tipo datetime com Pandas
Tratar uma base de dados antes de inserir em modelos de machine learning
Implementar boas práticas e padrões de projeto
Manipular um DataFrame Pandas
Integrar AWS Bucket S3
Criar um dashboard interativo com Streamlit
Treinar modelos de machine learning
Criar diferentes filtros, abas e páginas no Streamlit
Extrair dados de uma API com a biblioteca Requests
Desenvolver APIs REST
Autenticar usuários com JWT
Realizar limpeza e tratamento da base de dados
Treinar modelos de machine learning
Trabalhar colaborativamente com Git e GitHub
Avaliar modelos de machine learning usando métricas de desempenho
Fazer uma aplicação online no Streamlit
Construir pipeline de dados
Compreender os resultados dos modelos de regressão através de métricas e gráficos
Utilizar cláusulas do SQL
Tratar uma base de dados antes de inserir em modelos de machine learning
Criar diferentes gráficos com a biblioteca Plotly
Fazer requisições HTTP para uma API
Entender integração contínua
Aplicar transformações nos dados
Manipular um DataFrame Pandas
Avaliar o desempenho de modelos de classificação
Utilizar o ChatGPT como assistente pessoal em um projeto de Machine Learning
Manipular um DataFrame Pandas
Manipular um DataFrame Pandas
Colocar um pipeline em produção
Aplicar métodos de transformação de dados
Criar um dashboard interativo com Streamlit
Treinar modelos de machine learning
Treinar modelos de machine learning
Aplicar métodos de transformação de dados
Extrair dados de uma API com a biblioteca Requests
Refatorar código buscando legibilidade
Colocar um pipeline em produção
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
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.
- Com certificado de conclusão
1 - 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