Catálogo Machine Learning
Do iniciante ao especialista — compre individualmente ou em pacote, com declaração de conclusão com aproveitamento.
As profissões de Machine Learning consistem em transformar necessidades de negócio e dados em modelos preditivos fiáveis, avaliados, otimizados, implementados e monitorizados. Este percurso desenvolve as competências utilizadas, nomeadamente, por Data Scientists e Engineers de Machine Learning, aprofundando os modelos, a sua avaliação, a sua otimização e o seu ciclo de vida técnico, desde a experimentação até à colocação em produção. Essas competências de Machine Learning são então aprofundadas e repostas em uma abordagem profissional mais ampla dentro do percurso Data Scientist, que também abrange o enquadramento, a experimentação, a causalidade, os dados complexos e a gestão de um produto de Data Science.
Cada curso reúne 8 lições interativas num Learning Workspace concebido para transformar o conhecimento em competências operacionais. As lições guiadas, os questionários dinâmicos, o acompanhamento conversacional, os casos práticos, os recursos complementares e o acompanhamento do progresso permitem-lhe aprender de forma eficaz e ao seu ritmo. Os 15 cursos seguem uma progressão por níveis, desde o enquadramento de um problema de Machine Learning até à implantação, supervisão e defesa de uma solução preditiva completa.
🎓 15 cursos • 📚 120 lições interativas • ⏱️ 45 a 75 horas de formação conversacional
⭐ Melhor oferta
Aprendizagem de Máquina — Pacote completo (15 percursos)
ML01 → ML15 · 1 800 Créditos incluídos
142,90 € s/ IVA
Poupança : 104,60 €
29,70 €
22,90 s/ IVA
Poupança : 6,80 €
Compreender o Machine Learning e definir um problema
Transformar uma necessidade de negócio num problema mensurável de Machine Learning e decidir se o ML é realmente pertinente
Informações sobre a formação
Data Analysts, Data Scientists, Machine Learning Engineers e programadores que pretendem construir soluções de Machine Learning fiáveis e reproduzíveis.
Não são necessários pré-requisitos específicos para começar. Recomenda-se familiaridade com ferramentas digitais; os cursos técnicos seguintes podem recorrer a noções de desenvolvimento ou de dados.
- Compreender o que o Machine Learning realmente traz
- Identificar classificação, regressão e outras famílias de problemas
- Construir uma base antes de qualquer modelo complexo
- Exercício prático: decidir se um problema realmente requer Machine Learning
- Transformar uma necessidade de negócio num problema mensurável de Machine Learning e decidir se o ML é realmente pertinente
- Distinguir entre aprendizagem supervisada e não-supervisionada
- Distinguir entre formação, validação e inferência
- Exercício prático: decidir se um problema realmente requer Machine Learning
3 a 5 h
9,90 € s/ IVA
Preparar e explorar dados para o Machine Learning
Construir um conjunto de dados operacional sem introduzir enviesamentos, fugas de dados ou inconsistências
Informações sobre a formação
Data Analysts, Data Scientists, Machine Learning Engineers e programadores que pretendem construir soluções de Machine Learning fiáveis e reproduzíveis.
Conhecer as bases do percurso ou ter frequentado os cursos anteriores. Os conceitos já apresentados são reutilizados e aprofundados neste curso.
- Explorar distribuições, tipos e qualidade de dados
- Preparar variáveis numéricas e categóricas
- Identificar desequilíbrios e insuficiente representação
- Exercício prático: Auditar e preparar um conjunto de dados antes da modelação
- Construir um conjunto de dados operacional sem introduzir enviesamentos, fugas de dados ou inconsistências
- Tratar valores em falta e valores atípicos
- Ajustar a escala das variáveis quando o modelo o exige
- Exercício prático: Auditar e preparar um conjunto de dados antes da modelação
3 a 5 h
9,90 € s/ IVA
Construir um primeiro pipeline de ML replicável
Encadear pré-processamento, treino, previsão e avaliação num fluxo de trabalho reprodutível
Informações sobre a formação
Data Analysts, Data Scientists, Machine Learning Engineers e programadores que pretendem construir soluções de Machine Learning fiáveis e reproduzíveis.
Conhecer as bases do percurso ou ter frequentado os cursos anteriores. Os conceitos já apresentados são reutilizados e aprofundados neste curso.
- Instalar um ambiente ML reprodutível
- Criar as transformações de pré-tratamento
- Calcular e verificar as primeiras métricas
- Exercício prático: entrega de um primeiro pipeline ML replicável
- Encadear pré-processamento, treino, previsão e avaliação num fluxo de trabalho reprodutível
- Construir uma base com scikit-learn
- Treinar o pipeline e gerar previsões
- Exercício prático: entrega de um primeiro pipeline ML replicável
3 a 5 h
9,90 € s/ IVA
38,70 €
28,90 s/ IVA
Poupança : 9,80 €
Resolver problemas de regressão
conceber, comparar e avaliar modelos destinados a prever um valor numérico
Informações sobre a formação
Data Analysts, Data Scientists, Machine Learning Engineers e programadores que pretendem construir soluções de Machine Learning fiáveis e reproduzíveis.
Conhecer as bases do percurso ou ter frequentado os cursos anteriores. Os conceitos já apresentados são reutilizados e aprofundados neste curso.
- Compreender um alvo contínuo e construir uma baseline
- Compreender a regularização e o seu interesse
- Interpretar R² sem o sobrevalorizar
- Exercício prático: comparar vários modelos de regressão sobre uma necessidade profissional
- Conceber, comparar e avaliar modelos destinados a prever um valor numérico
- Construir uma regressão linear
- Escolher entre MAE, MSE e RMSE
- Exercício prático: comparar vários modelos de regressão sobre uma necessidade profissional
3 a 5 h
12,90 € s/ IVA
Resolver problemas de classificação
construção de modelos de classificação e escolha de métricas e limiares adequados ao custo real dos erros
Informações sobre a formação
Data Analysts, Data Scientists, Machine Learning Engineers e programadores que pretendem construir soluções de Machine Learning fiáveis e reproduzíveis.
Conhecer as bases do percurso ou ter frequentado os cursos anteriores. Os conceitos já apresentados são reutilizados e aprofundados neste curso.
- Compreender as classes e construir uma baseline
- Utilizar árvores de decisão e Random Forest
- Comparar precisão, recall e F1
- Exercício prático: escolher um classificador com base no custo dos erros
- Construir modelos de classificação e escolher as métricas e os limiares adequados ao custo real dos erros
- Construir uma regressão logística
- Ler uma matriz de confusão
- Exercício prático: escolher um classificador com base no custo dos erros
3 a 5 h
12,90 € s/ IVA
Avaliação e comparação adequadas dos modelos
obter uma estimativa fiável do desempenho e evitar conclusões enganosas na seleção de um modelo
Informações sobre a formação
Data Analysts, Data Scientists, Machine Learning Engineers e programadores que pretendem construir soluções de Machine Learning fiáveis e reproduzíveis.
Conhecer as bases do percurso ou ter frequentado os cursos anteriores. Os conceitos já apresentados são reutilizados e aprofundados neste curso.
- Compreender o risco de uma avaliação demasiado otimista
- Avaliação com validação cruzada
- Comparar vários modelos em métricas coerentes
- Exercício prático: construir um protocolo de avaliação justificável
- Obter uma estimativa fiável do desempenho e evitar conclusões enganosas na seleção de um modelo
- Usar um hold-out corretamente
- Respeitar a ordem do tempo com um time split
- Exercício prático: construir um protocolo de avaliação justificável
3 a 5 h
12,90 € s/ IVA
47,70 €
35,90 s/ IVA
Poupança : 11,80 €
Conceber e selecionar as características
criar variáveis informativas sem fugas de dados e reduzir a complexidade quando isso melhora o modelo
Informações sobre a formação
Data Analysts, Data Scientists, Machine Learning Engineers e programadores que pretendem construir soluções de Machine Learning fiáveis e reproduzíveis.
Conhecer as bases do percurso ou ter frequentado os cursos anteriores. Os conceitos já apresentados são reutilizados e aprofundados neste curso.
- Compreender o papel da engenharia de características
- Criar variáveis temporais sem fugas de informação
- Utilização de métodos de seleção de características
- Exercício prático: melhorar um modelo com características justificadas
- Criar variáveis informativas sem fugas de dados e reduzir a complexidade quando isso melhora o modelo
- Criar variáveis numéricas e transformações úteis
- Detetar redundância e multicolinearidade
- Exercício prático: melhorar um modelo com características justificadas
3 a 5 h
15,90 € s/ IVA
Otimização de modelos e hiperparâmetros
reduzir o underfitting e o overfitting e procurar hiperparâmetros sem contaminar a avaliação final
Informações sobre a formação
Data Analysts, Data Scientists, Machine Learning Engineers e programadores que pretendem construir soluções de Machine Learning fiáveis e reproduzíveis.
Conhecer as bases do percurso ou ter frequentado os cursos anteriores. Os conceitos já apresentados são reutilizados e aprofundados neste curso.
- Compreender o underfitting, o overfitting, o bias e a variância
- Construir um Grid Search com validação cruzada
- Controlar o tempo de cálculo e o espaço de investigação
- Exercício prático: conduzir e documentar a optimização de hiperparâmetros
- Reduzir o underfitting e o overfitting e procurar hiperparâmetros sem contaminar a avaliação final
- Identificar parâmetros aprendidos e hiperparâmetros
- Escolher a métrica realmente otimizada
- Exercício prático: conduzir e documentar a optimização de hiperparâmetros
3 a 5 h
15,90 € s/ IVA
Explorar os dados sem rótulos
utilizar clustering, diminuição de dimensão e deteção de anomalias para compreender estruturas sem alvo supervisado
Informações sobre a formação
Data Analysts, Data Scientists, Machine Learning Engineers e programadores que pretendem construir soluções de Machine Learning fiáveis e reproduzíveis.
Conhecer as bases do percurso ou ter frequentado os cursos anteriores. Os conceitos já apresentados são reutilizados e aprofundados neste curso.
- Compreender os objetivos da aprendizagem não-supervisionada
- Segmentar com K-means
- Reduzir a dimensão com PCA
- Exercício prático: construção e interpretação de uma segmentação exploratória
- Usar clustering, diminuição e deteção de anomalias para compreender estruturas sem alvo supervisionado
- Preparar os dados para o clustering
- Descobrir o DBSCAN e os clusters de forma irregular
- Exercício prático: construção e interpretação de uma segmentação exploratória
3 a 5 h
15,90 € s/ IVA
56,70 €
42,90 s/ IVA
Poupança : 13,80 €
Interpretar, explicar e desafiar os modelos
entender os fatores que influenciam as previsões e identificar situações em que uma explicação pode ser enganosa
Informações sobre a formação
Data Analysts, Data Scientists, Machine Learning Engineers e programadores que pretendem construir soluções de Machine Learning fiáveis e reproduzíveis.
Conhecer as bases do percurso ou ter frequentado os cursos anteriores. Os conceitos já apresentados são reutilizados e aprofundados neste curso.
- Distinguir o desempenho preditivo e a explicabilidade
- Analisar a importância da característica com cuidado
- Descobrir as explicações locais do tipo SHAP
- Exercício prático: produzir uma análise de explicabilidade com as suas limitações
- Compreender os fatores que influenciam as previsões e identificar situações em que uma explicação pode ser enganosa
- Interpretar coeficientes e parâmetros simples
- Compreender os gráficos de dependência parcial
- Exercício prático: produzir uma análise de explicabilidade com as suas limitações
3 a 5 h
18,90 € s/ IVA
Gestão de desequilíbrios, enviesamentos, robustez e fiabilidade
avaliar a qualidade de um modelo para além de uma métrica média e controlar os seus riscos para populações e casos difíceis
Informações sobre a formação
Data Analysts, Data Scientists, Machine Learning Engineers e programadores que pretendem construir soluções de Machine Learning fiáveis e reproduzíveis.
Conhecer as bases do percurso ou ter frequentado os cursos anteriores. Os conceitos já apresentados são reutilizados e aprofundados neste curso.
- Identificar as consequências de um forte desequilíbrio de classes
- Escolher métricas e limiares para casos raros
- Teste de robustez e sensibilidade a dados perturbados
- Exercício prático: Desafiar a fiabilidade de um modelo antes de tomar uma decisão
- Avaliar a qualidade de um modelo para além de uma métrica média e controlar os seus riscos para populações e casos difíceis
- Utilizar ponderação e reamostragem de forma metódica
- Comparar o desempenho entre subgrupos
- Exercício prático: Desafiar a fiabilidade de um modelo antes de tomar uma decisão
3 a 5 h
18,90 € s/ IVA
Registar experiências e gerir versões de modelos
Tornar as experiências comparáveis, auditáveis e reprodutíveis e gerir depois o ciclo de vida dos modelos
Informações sobre a formação
Data Analysts, Data Scientists, Machine Learning Engineers e programadores que pretendem construir soluções de Machine Learning fiáveis e reproduzíveis.
Conhecer as bases do percurso ou ter frequentado os cursos anteriores. Os conceitos já apresentados são reutilizados e aprofundados neste curso.
- Compreender experiência, run e artefacto ML
- Registar modelos, figuras e artefactos
- Gerir versões, aliases, tags e metadados
- Exercício prático: construção da traçabilidade completa de um modelo candidato
- Tornar as experiências comparáveis, auditáveis e reprodutíveis e gerir depois o ciclo de vida dos modelos
- Arquivar parâmetros e métricas com o MLflow Tracking
- Registar um modelo no Model Registry
- Exercício prático: construção da traçabilidade completa de um modelo candidato
3 a 5 h
18,90 € s/ IVA
74,70 €
48,90 s/ IVA
Poupança : 25,80 €
Compreender e aplicar o Deep Learning
compreender os mecanismos essenciais das redes de neurónios e treinar um modelo simples sem diluir o curso no Deep Learning avançado
Informações sobre a formação
Data Analysts, Data Scientists, Machine Learning Engineers e programadores que pretendem construir soluções de Machine Learning fiáveis e reproduzíveis.
Conhecer as bases do percurso ou ter frequentado os cursos anteriores. Os conceitos já apresentados são reutilizados e aprofundados neste curso.
- Compreender tensores, camadas e rede de neurónios
- Compreender a função de perda e a otimização
- Construir e treinar uma rede simples com o PyTorch
- Exercício prático: comparar uma rede simples com uma base convencional
- Compreender os mecanismos essenciais das redes de neurónios e treinar um modelo simples sem diluir o curso no Deep Learning avançado
- Escolher funções de ativação e arquitetura simples
- Usar batch, epoch e DataLoader
- Exercício prático: comparar uma rede simples com uma base convencional
3 a 5 h
24,90 € s/ IVA
Implementar, monitorizar e manter um modelo ML
Passar de um modelo validado para um serviço operacional, com versões controladas, observável e manutenível em produção
Informações sobre a formação
Data Analysts, Data Scientists, Machine Learning Engineers e programadores que pretendem construir soluções de Machine Learning fiáveis e reproduzíveis.
Conhecer as bases do percurso ou ter frequentado os cursos anteriores. Os conceitos já apresentados são reutilizados e aprofundados neste curso.
- Preparar um artefacto fiável para a inferência
- Expor um modelo através de uma API de inferência
- Monitorar o atraso, os erros e a qualidade dos dados de entrada
- Exercício prático: implantação e supervisão de um serviço de previsão
- Passar de um modelo validado para um serviço operacional, com versões controladas, observável e manutenível em produção
- Distinguir a previsão por lotes e a inferência online
- Gestão do registo, versões, promoção e rollback
- Exercício prático: implantação e supervisão de um serviço de previsão
3 a 5 h
24,90 € s/ IVA
Projeto profissional completo Machine Learning
conceber, avaliar, explicar, versionar, implantar e defender uma solução ML de ponta a ponta
Informações sobre a formação
Data Analysts, Data Scientists, Machine Learning Engineers e programadores que pretendem construir soluções de Machine Learning fiáveis e reproduzíveis.
Conhecer as bases do percurso ou ter frequentado os cursos anteriores. Os conceitos já apresentados são reutilizados e aprofundados neste curso.
- Enquadrar o problema do churn e o custo dos erros
- Construir pipelines, características e modelos candidatos
- Registar experiências e controlar as versões do modelo final
- Exercício prático final: apresentar e defender a solução ML e os seus limites
- Conceber, avaliar, explicar, versificar, implantar e defender uma solução ML de ponta a ponta
- Preparação dos dados e construção do baseline
- Analisar segmentos, erros e explicabilidade
- Exercício prático final: apresentar e defender a solução ML e os seus limites
3 a 5 h
24,90 € s/ IVA