O que você aprenderá_

Construa pipelines de regressão que integrem EDA, engenharia de atributos e modelos baseados em árvores para problemas temporais.
Realize análise exploratória e trate séries temporais, criando features temporais e lidando com sazonalidade e ruído.
Treine, compare e justifique escolhas entre árvores de regressão, Random Forest e XGBoost para o problema de negócio.
Avalie modelos com métricas como MAE, RMSE e R² e interprete resultados para orientar decisões operacionais.
Otimize hiperparâmetros usando buscas e validação cruzada temporal para melhorar a generalização dos modelos.
Implemente estratégias de seleção de variáveis e regularização para reduzir overfitting e melhorar robustez.
Disponibilize o modelo final por meio de uma API para consumo por aplicações e processos de tomada de decisão.

Público alvo_

Profissionais de ciência de dados, engenheiros de machine learning, analistas e estudantes que desejam aplicar modelos baseados em árvores (Random Forest, XGBoost) em problemas reais de previsão temporal e levar modelos a 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 03/08/2026

Já estuda na Alura?

Comece o curso agora

Ementa

Introdução aos Modelos Regressivos
- Apresentação
- Explorando algoritmos baseados em árvores
- Para saber mais: critérios de divisão em árvores de decisão
- Otimizando previsões de demanda de viagens
- O que aprendemos?
Preparação dos Dados, EDA e Engenharia de Atributos
- Preparando o ambiente
- Carregando dados no Google Colab
- Analisando hipóteses de demanda de bicicletas
- Analisando estacionalidade mensal da demanda
- Preparando dados para Machine Learning
- Para saber mais: estratégia para criação de prompts no Gemini
- Engenharia de atributos para prever tendências de vendas na Zoop
- O que aprendemos?
Árvores de Regressão: teoria e prática
- Projeto da aula anterior
- Entendendo árvores de regressão
- Visualizando a árvore de regressão
- Para saber mais: poda em árvores de regressão
- Melhorando a segurança de transações na Freelando
- Previsão de demanda de empréstimos no Bytebank
- O que aprendemos?
Random Forest Regressor: Teoria e Prática
- Projeto da aula anterior
- Entendendo florestas aleatórias e bagging
- Implementando o Random Forest Regressor
- Para saber mais: a média das previsões
- Reduzindo o risco de overfitting em modelos de crédito do SwiftBank
- O que aprendemos?
XGBoost: Teoria e Prática
- Projeto da aula anterior
- Entendendo o XGBoost e boosting
- Implementando XGBoost para regressão
- Para saber mais: fundamentos matemáticos do gradient boosting
- Aprimorando portfólios digitais com aprendizado sequencial
- O que aprendemos?
Avaliação, Análise de Resíduos e Comparação de Modelos
- Projeto da aula anterior
- Avaliando métricas de regressão dos modelos
- Analisando resíduos dos modelos preditivos
- Para saber mais: heteroscedasticidade em resíduos
- Avaliando a performance de recomendações de podcasts
- O que aprendemos?
Validação, Overfitting e Otimização
- Projeto da aula anterior
- Otimizando hiperparâmetros com Optuna
- Exportando modelo e classe preditiva
- Para saber mais: otimização de hiperparâmetros com TPE
- Otimização de recomendações musicais na Playcatch
- Conclusão do projeto com API
- Projeto final e slides
- O que aprendemos?