O que você aprenderá_

Compreenda os fundamentos teóricos da engenharia de Machine Learning.
Analise e trate conjuntos de dados de forma eficiente.
Desenvolva pipelines completas para pré-processamento e modelagem.
Valide previsões utilizando algoritmos como o Random Forest Classifier.
Implemente testes unitários com PyTest para assegurar a qualidade do processo.
Integre soluções com AWS para armazenamento e gestão de modelos.

Público alvo_

Ao final do curso, será possível desenvolver competências práticas para implementar soluções de Machine Learning, abrangendo desde a preparação e análise de dados até a construção e validação de modelos preditivos com pipelines robustas. Este curso é indicado para profissionais e entusiastas que desejam transitar do teórico para o prático, aprimorando a tomada de decisões através da integração de testes automatizados e AWS.

Henrique Dias Bittencourt

Henrique Bittencourt é engenheiro de Machine Learning, com experiência em governança de modelos, pipelines de CI/CD e implantação de soluções de dados em escala. Atuou em grandes empresas, como ABInBev e Claro, desenvolvendo ferramentas para apoiar cientistas de dados na criação de projetos, no versionamento de modelos e no monitoramento em produção.

Curso atualizado em 19/09/2025

Já estuda na Alura?

Comece o curso agora

Ementa

Fundamentos Engenharia de Machine Learning
- Apresentação
- Por que usar Machine Learning?
- Modelo de Machine Learning
- Artefatos do modelo de ML
- Para saber mais: sistemas de recomendação
- Otimizando o menu do Serenatto com machine learning
- Faça como eu fiz: criar modelo ML Ops
- O que aprendemos?
Análise Exploratória de Dados (EDA)
- Material da aula
- Execução completa do modelo
- Análise exploratória de dados (EDA)
- Para saber mais: uso de heatmap na análise exploratória
- Otimizando a experiência do festival CodeChella com dados
- Faça como eu fiz: pipeline de CHURN
- O que aprendemos?
Testes Unitários na Prática
- Material da aula
- Testes por etapa do pipeline
- O que testar no pipeline de ML
- Testes com pytest na prática
- Melhorando a precisão das previsões de demanda na Hermex Log
- Para saber mais: testando exceções com pytest.raises
- Faça como eu fiz: testar pipeline ML
- O que aprendemos?
Preparando o Ambiente de Trabalho
- Material da aula
- Integração Deeproot + AWS
- Executando o primeiro código
- Integração de plataformas para personalização de experiências de bem-estar
- Para saber mais: criação de role na AWS
- Faça como eu fiz: integração Deeproot e AWS
- O que aprendemos?
Transformando Código em Pipeline
- Material da aula
- Tags de champion e challenger
- Adaptando o código da pipeline
- Adaptando o código de testes
- Implementando Champion e Challenger na WaveCast
- Para saber mais: modularização da pipeline de machine learning
- Faça como eu fiz: pipeline ML
- O que aprendemos?
Execução Completa da Pipeline de ML
- Material da aula
- Criação e execução da pipelne
- Inferência no modelo de ML
- Para saber mais: uso de notebooks na pipeline
- Melhorando a retenção de usuários no Clickbonus
- Slides da aula
- Faça como eu fiz: executar pipeline
- 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