Name: Curso Engenharia de pipelines: machine learning e integração com AWS
Rating: 4.4 (73 reviews)

machine learning e integração com AWS

Quero estudar na alura

Para conclusão

156

Pessoas nesse curso

8.8

Avaliação média

Certificado

De participação

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?