Logo do curso
Curso

Classificação:

entendendo os modelos tradicionais de ML

Quero estudar na alura

10h

Para conclusão

38

Pessoas nesse curso

Certificado

De participação

Introdução_

O que você aprenderá_

  • Identifique o problema de negócio e formule o objetivo de classificação a partir dos dados disponíveis.
  • Realize análise exploratória dos dados e interprete padrões relevantes para a modelagem.
  • Prepare e transforme os dados com limpeza, codificação e normalização para alimentar modelos de classificação.
  • Treine modelos clássicos de classificação e compare seus comportamentos.
  • Avalie modelos usando métricas como acurácia, precisão, recall e F1 e interprete os resultados para decisão.
  • Otimize hiperparâmetros com validação cruzada e aplique engenharia de atributos para melhorar o desempenho.
  • Implemente o modelo em produção exportando com Joblib e disponibilizando-o via API REST com FastAPI.

Público alvo_

Profissionais, estudantes e entusiastas de dados que desejam aprender a resolver problemas de classificação do mundo real, montar pipelines completos de machine learning e disponibilizar modelos via API para aplicações em produção.

Mariana Lira de Farias

Mariana Lira de Farias

github

linkedin

Sou Cientista de Dados e Professora Universitária, apaixonada por transformar dados em insights valiosos. Minha jornada começou em Business Intelligence e foquei na Ciência de Dados, que é minha grande paixão. Além disso, amo pesquisa acadêmica, adoro compartilhar conhecimento e aprender. Gosto de estar sempre em movimento, explorando novas ferramentas e desafios, e acredito que a troca de experiências é o que nos faz crescer!

Curso atualizado em 21/07/2026

Ementa

  1. Introdução à Classificação

    • Apresentação
    • O que é classificação
    • Pipeline Machine Learning
    • Para saber mais: função de perda em classificação
    • Personalização de conteúdo na VideoFlowNow
    • Detecção de fraudes em transações na Checklist
    • O que aprendemos?
  2. Preparação dos dados para Classificação

    • Preparando o ambiente
    • Preparação de dados
    • Codificação variáveis
    • EDA por prompt
    • EDA na prática
    • Codificação
    • Normalização
    • Para saber mais: integração de IAs em notebooks
    • Normalização de dados para listas de supermercado
    • Codificação de categorias de clientes na loja online Meteora
    • O que aprendemos?
  3. Regressão Logística: teoria e prática

    • Projeto da aula anterior
    • Regressão logística
    • Praticando a regressão logística
    • Para saber mais: otimização dos coeficientes na regressão logística
    • Otimização de portfólios digitais com regressão logística
    • Planejando a programação do festival com base em dados
    • O que aprendemos?
  4. KNN (K-Nearest Neighbors): teoria e prática

    • Projeto da aula anterior
    • Aprendendo o KNN
    • Aplicando o KNN
    • Para saber mais: distância euclidiana e variações
    • Otimizando recomendações de filmes na Screen Match
    • Aplicando KNN para personalizar sessões de Pomodoro
    • O que aprendemos?
  5. Árvores de Decisão: teoria e prática

    • Projeto da aula anterior
    • Entendendo árvore de decisão
    • Árvore de decisão na prática
    • Para saber mais: poda em árvore de decisão
    • Otimizando recomendações de tratamentos de bem-estar
    • Reduzindo a impureza na segmentação de clientes de spa
    • O que aprendemos?
  6. Avaliação de modelos de Classificação

    • Projeto da aula anterior
    • Conhecendo métricas de classificação
    • Avaliando por meio das métricas
    • Para saber mais: entendendo o custo dos erros
    • Otimizando diagnósticos na Clínica Médica Voll
    • Comparação de modelos de previsão de vendas na Tratotech
    • O que aprendemos?
  7. Validação, otimização e comparação de modelo

    • Projeto da aula anterior
    • Otimização validação
    • Aprendendo sobre engenharia atributos
    • Para saber mais: impacto dos hiperparâmetros em modelos
    • Preparando o ambiente: Python e VS Code
    • Aplicando a engenharia atributos
    • Otimização na prática
    • Etapa final no projeto: API
    • Aprimorando a experiência do cliente na Petpark com variáveis indicadoras
    • Validação cruzada para personalização de tratamentos no Calmaria Spas
    • Otimização de hiperparâmetros no SwiftBank para detecção de fraudes
    • Projeto final e slides
    • Conclusão
    • O que aprendemos?

Descubra se esse curso é pra você! Leia as primeiras aulas

Comece essa formação agora mesmo e capacite-se para seu próximo projeto!

Conheça os planos

Faça parte da nossa comunidade no discord!

Troque conhecimentos com a comunidade da Alura

Aprenda Machine Learning & Deep Learning com esse e outros cursos, comece agora!

Conheça os Planos para Empresas