O que você aprenderá_

Analise de forma crítica conjuntos de dados e extraia insights relevantes para decisões de negócio.
Realize engenharia de features e trate variáveis categóricas e numéricas para melhorar a performance dos modelos.
Aplique técnicas de balanceamento e validação cruzada para treinar modelos mais robustos.
Treine e ajuste modelos de classificação, incluindo o uso de LightGBM e a otimização de threshold.
Avalie modelos com métricas adequadas e interprete matrizes de confusão e resultados para tomada de decisão.
Construa uma aplicação interativa em Streamlit para simular cenários, ajustar parâmetros e apresentar visualizações.

Público alvo_

Profissionais, estudantes e entusiastas de dados que já possuem conhecimentos básicos em Python e desejam aplicar machine learning, visualização e deploy em um projeto real usando AWS e Streamlit.

Letícia Pires

Sou AI Engineer com mais de 5 anos de experiência em ML, LLMs e cloud e quase uma década em educação tech. Desenvolvo agentes de IA com MCP e Claude e criei o curso AI Data Strategy da Alura. Em consultoria, entreguei projetos de ML e analytics, incluindo uma solução em GCP para o Band Jornalismo. Liderei iniciativas educacionais que capacitaram mais de 800 mil profissionais em quatro países. Também sou Founder & Product Lead da Pomodoki.

Curso atualizado em 08/06/2026

Já estuda na Alura?

Comece o curso agora

Ementa

Configurando o ambiente e analisando os dados
- Apresentação
- Preparando o ambiente
- Preparando o ambiente: Cursor
- Primeiros Passos Ambiente, Git e Cloud
- Conectando Python ao AWS S3
- Analisando variáveis qualitativas
- Continuando análises variáveis qualitativas
- Análise variáveis quantitativas
- Para saber mais: np.where para labels dinâmicas
- Analisando picos de transações no Bytebank
- Configurando acesso ao AWS S3 na Indexa
- O que aprendemos?
Preparação dos dados para Machine Learning
- Divisão dos dados
- Pré-processamento e feature engineering variáveis categóricas
- Pré-processamento e feature engineering variáveis numéricas
- Balanceamento de classes
- Para saber mais: desbalanceamento de classes
- Para saber mais: consistência entre treino e teste
- Prevenindo vazamento de dados na Organo
- Estratégias de codificação para personalização de conteúdo em WaveCast
- O que aprendemos?
Escolhendo o melhor modelo
- Rodando o primeiro modelo
- Testando o LazyClassifier
- Modelagem pré-ligação
- Cross validation dos melhores candidatos
- Para saber mais: pandas styles para realçar resultados
- Otimização de tarefas na plataforma Checklist
- Escolhendo o modelo ideal para prever a demanda de produtos no Gatito Petshop
- O que aprendemos?
Análise final do modelo e threshold de negócio
- Analisando modelo final
- Salvando artefatos no S3
- Limiar de decisão (threshold)
- Identificando limiar ideal
- Simulação com novos clientes
- Para saber mais: custo de oportunidade na análise de lucro
- Avaliando riscos de segurança em Techsafe
- Ajustando thresholds para campanhas de empréstimo no SwiftBank
- O que aprendemos?
Construindo dashboard iterativo com Streamlit
- Configuração inicial Streamlit
- Aba análise exploratória
- Aba definição do ponto de corte
- Aba modelagem
- Matriz de confusão
- Aba de Inferência do cliente
- Para saber mais: Para saber mais: divisão de layouts com colunas no Streamlit
- Projeto
- Conclusão
- O que aprendemos?