Ementa - Bootcamp Engenheiro(a) de Machine Learning - REVISAO Dez_24

Prévia do material em texto

Bootcamp Engenheiro(a) de Machine Learning 
Objetivo: 
O objetivo do Bootcamp Engenheiro(a) de Machine Learning é apresentar os conceitos fundamentais, práticas e ferramentas mais utilizadas na engenharia de aprendizagem de máquina. 
Pré-requisitos: 
Conhecimentos básicos de programação, linguagem Python e inglês;. 
Competências desenvolvidas no Bootcamp: 
● Domínio de algoritmos de ML; 
● Técnicas avançadas de preparação e modelagem de dados; 
● Avaliação de desempenho, ajuste de hiperparâmetros; 
● Habilidades práticas em MLOps para integração e monitoramento de soluções reais. 
Perfil formado pelo curso: 
Habilite-se para atuar como Engenheiro(a) de Machine Learning. 
Ementa 
Módulo 1: Fundamentos de Machine Learning 
Este módulo aborda os princípios básicos de aprendizado de máquina, oferecendo uma visão geral de algoritmos supervisionados, não supervisionados e de reforço. Os alunos irão aprender sobre conceitos de classificação, regressão, sistemas de recomendação e deep learning, com foco em pipelines de ML, métricas de avaliação e o uso inicial de bibliotecas como Scikit-Learn. 
Tópicos de conteúdo 
● Introdução ao aprendizado de máquina; 
● Algoritmos de aprendizado: supervisionado, não supervisionado, e por reforço; ● Conceitos de classificação e regressão;
● Sistemas de recomendação; 
● Redes Neurais e Deep Learning; 
● Processamento de Texto e Análise de Sentimentos; 
● Pipeline de machine learning: coleta e preparação de dados, treino e avaliação de modelos; ● Métricas de avaliação: acurácia, precisão, recall, F1-score, AUC-ROC; 
● Introdução ao uso de bibliotecas de ML: Scikit-Learn para algoritmos básicos e manipulação de dados; 
● Projeto inicial com uma aplicação prática (classificação ou regressão simples). 
Módulo 2: Manipulação e Preparação de Dados 
Este módulo abordará estratégias para tratar dados ausentes, criar features relevantes, realizar normalizações e aplicar técnicas de redução de dimensionalidade, como PCA. 
Tópicos de conteúdo 
● Manipulação de dados com Pandas e NumPy (focando em limpeza, agregação e transformação); 
● Tratamento de dados ausentes e imputação; 
● Feature engineering: transformação de variáveis, encoding de variáveis categóricas, normalização e padronização; 
● Técnicas de seleção de features (seleção baseada em correlação e uso de técnicas como Lasso); 
● Redução de dimensionalidade com PCA e outras técnicas; 
● Projeto de preparação de dados aplicado a um conjunto de dados real.
Módulo 3: Modelagem Avançada e Ajuste de Hiperparâmetros 
Este módulo ensinará técnicas para otimizar modelos, como Grid Search e Random Search. Serão explorados métodos de validação cruzada, métricas avançadas de avaliação e ferramentas para interpretação e análise de modelos. 
Tópicos de conteúdo 
● Algoritmos de machine learning avançados: árvores de decisão, Random Forest, Gradient Boosting, XGBoost; 
● Técnicas de ajuste de hiperparâmetros: Grid Search, Random Search, Tuning, Randomized Parameter, Optimization, Força Bruta; 
● Validação cruzada, métodos de validação para evitar overfitting e seleção de modelos; ● Interpretação de modelos e análise de feature importance; 
● Métricas para modelos. Acurácia. Classificação. Regressão. Agrupamento; ● Métricas multilabel; 
● Escolha de algoritmos; 
● Medidas de qualidade. Avaliação da qualidade de uma solução; 
● Curvas de validação e Curvas de aprendizado; 
● Projeto prático de modelagem avançada e ajuste de hiperparâmetros. 
Módulo 4: Produção e Monitoramento de Modelos 
Neste módulo serão abordados tópicos de monitoramento, incluindo detecção de drift e atualização de modelos. Além disso, o módulo explora a criação de APIs e boas práticas para documentar e versionar modelos. 
Tópicos de conteúdo 
● Introdução ao MLOps e ciclo de vida de modelos em produção;
● Ferramentas de deployment: Flask, FastAPI, e introdução a frameworks de MLOps (como MLflow ou Kubeflow); 
● Monitoramento de modelos: detecção de drift, ajuste contínuo e atualização de modelos; ● Criação de APIs para servir modelos e integração com aplicações externas; ● Boas práticas de documentação e versionamento de modelos; 
● Projeto final: deployment e monitoramento de um modelo em um ambiente simulado. Módulo Desafio Final 
Sugestões para o Desafio Final: 
Desenvolver uma aplicação que utilize vários conceitos de machine learning para a solução de problemas reais e realizar o deploy da aplicação.
image2.png