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

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 09/06/2026

Já estuda na Alura?

Comece o curso agora

Ementa

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?
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?
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?
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?
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?
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?
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

Escola

Data Science

Trabalhe com dados. Aprofunde seu conhecimento nas principais ferramentas de uma pessoa data scientist. Descubra as diferentes possibilidades de análise de dados, do Excel ao Python, e mergulhe em frameworks e bibliotecas, como Pandas, Scikit-Learn e Seaborn.

Conheça a escola