Data Analyst Data Scientist Cybersecurity Analyst

Data Scientist profissional — Do problema de negócio ao modelo em produção

Percurso profissional completo para conduzir uma abordagem de Data Science, do problema de negócio até ao modelo avaliado, implementado e monitorizado.

O Data Scientist transforma um problema de negócio numa abordagem experimental baseada nos dados. Constrói conjuntos de trabalho fiáveis, formula hipóteses, estabelece baselines, desenvolve e compara modelos, mede a incerteza e os enviesamentos e contribui para integrar os modelos em produtos ou processos realmente utilizados.

Este percurso abrange Python, SQL, estatística, experimentação, Machine Learning, feature engineering, séries temporais, texto e embeddings, causalidade, deep learning, reprodutibilidade, explicabilidade, equidade e MLOps. O objetivo é saber escolher uma estratégia de modelação pertinente, demonstrar o seu desempenho e valor operacional e participar na sua implementação, monitorização e governação.

metiers_prof_data_scientist_outcome

15 cursos • 150 lições interativas • de 45 a 75 horas de formação conversacional

5 níveis: Nível 1 — 24,90 € s/ IVA Nível 2 — 29,90 € s/ IVA Nível 3 — 34,90 € s/ IVA Nível 4 — 39,90 € s/ IVA Nível 5 — 45,00 € s/ IVA

Pré-visualização de uma lição no Learning Workspace

Melhor oferta

Pack Completo — Data Scientist

🎓 Certificado : "Data Scientist profissional" 523,80 €

📚 15 percursos 📖 150 lições ⏱ 45 a 75 h ⚡ 3000 créditos incluídos

399,00 € s/ IVA

Poupança : 124,80 €

Pack Fundamentos estatísticos & experimentais 3 cursos Nível 1

🎓 Certificado : Data Scientist — Fundamentos estatísticos & experimentais

📚 3 percursos 📖 30 lições ⏱ 9 a 15 h ⚡ 480 créditos incluídos

74,70 €

64,90 s/ IVA

Poupança : 9,80 €

01 Nível 1

Enquadramento do problema e ambiente de trabalho

Compreender o papel do Data Scientist, traduzir um desafio de negócio num problema de modelação e implementar um ambiente de trabalho reproduzível.

Compreender o papel do Data Scientist e distinguir análise, previsão, causalidade e otimização Transformar um desafio de negócio em variável-alvo, unidade de análise e critério de sucesso Configurar um ambiente Python reproduzível com notebooks, ambientes e dependências Manipular arrays e estruturas de dados com NumPy e pandas Explorar um conjunto de dados através de distribuições, cruzamentos, gráficos e estatística descritiva Utilizar o Git para versionar um projeto de Data Science desde a fase de exploração Visualizar dados com Matplotlib ou Seaborn para comunicar uma primeira leitura Formular hipóteses de negócio testáveis antes de qualquer modelação Organizar um projeto em pastas, scripts e notebooks reutilizáveis Apresentar uma primeira leitura dos dados a um interlocutor de negócio

📚 10 lições ⏱ 3 a 5 h 🎯 Quiz incluído ⚡ 160 créditos incluídos

Informações sobre a formação

Público-alvo

Profissionais de dados, analistas, programadores e perfis técnicos que pretendem conduzir projetos de Data Science, da exploração até à avaliação, implementação e acompanhamento dos modelos.

Pré-requisitos

Sem pré-requisitos avançados. Para começar, basta uma utilização corrente do computador e interesse pela análise de dados ou pela resolução de problemas.

Objetivos pedagógicos

Compreender o papel do Data Scientist e distinguir análise, previsão, causalidade e otimização
Manipular arrays e estruturas de dados com NumPy e pandas
Visualizar dados com Matplotlib ou Seaborn para comunicar uma primeira leitura
Apresentar uma primeira leitura dos dados a um interlocutor de negócio

Competências visadas

Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
Produzir um resultado utilizável e verificável mobilizando as noções estudadas: apresentar uma primeira leitura dos dados a um interlocutor de negócio
Controlar a qualidade dos dados, resultados, provas ou decisões antes da apresentação ou implementação.
Documentar a abordagem, explicar os limites e defender as escolhas feitas perante um interlocutor profissional.

Duração estimada

3 a 5 h

Preço

24,90 € s/ IVA

02 Nível 1

Qualidade dos dados e raciocínio estatístico

Identificar os problemas de qualidade dos dados e mobilizar as bases estatísticas e probabilísticas necessárias a um projeto de Data Science.

Identificar dados em falta, valores aberrantes, erros de medição e enviesamentos de recolha Compreender amostra, população, variância, incerteza e intervalo de confiança Rever probabilidades condicionais, independência e teorema de Bayes através de casos de negócio Compreender covariância, correlação e limites de interpretação Preparar variáveis numéricas, categóricas, datas e textos simples Testar uma hipótese estatística e interpretar um p-value sem abusar dele Compreender as distribuições usuais (normal, Poisson, binomial) e a sua utilização prática Detetar valores aberrantes multivariados Codificar variáveis categóricas (one-hot, ordinal, target encoding) segundo o contexto Auditar a qualidade de um conjunto de dados real e produzir um relatório de data quality

📚 10 lições ⏱ 3 a 5 h 🎯 Quiz incluído ⚡ 160 créditos incluídos

Informações sobre a formação

Público-alvo

Profissionais de dados, analistas, programadores e perfis técnicos que pretendem conduzir projetos de Data Science, da exploração até à avaliação, implementação e acompanhamento dos modelos.

Pré-requisitos

Sem pré-requisitos avançados. Para começar, basta uma utilização corrente do computador e interesse pela análise de dados ou pela resolução de problemas.

Objetivos pedagógicos

Identificar dados em falta, valores aberrantes, erros de medição e enviesamentos de recolha
Compreender covariância, correlação e limites de interpretação
Compreender as distribuições usuais (normal, Poisson, binomial) e a sua utilização prática
Auditar a qualidade de um conjunto de dados real e produzir um relatório de data quality

Competências visadas

Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
Produzir um resultado utilizável e verificável mobilizando as noções estudadas: auditar a qualidade de um conjunto de dados real e produzir um relatório de data quality
Controlar a qualidade dos dados, resultados, provas ou decisões antes da apresentação ou implementação.
Documentar a abordagem, explicar os limites e defender as escolhas feitas perante um interlocutor profissional.

Duração estimada

3 a 5 h

Preço

24,90 € s/ IVA

03 Nível 1

Protocolo experimental e baseline

Implementar um protocolo experimental rigoroso e estabelecer uma primeira baseline de referência.

Separar corretamente os dados de treino, validação e teste Compreender o sobreajuste, o subajuste e o compromisso enviesamento-variância Construir uma baseline antes de treinar modelos complexos Escolher uma métrica de avaliação alinhada com o custo de negócio dos erros Construir um conjunto de dados sintético para testar um protocolo antes dos dados reais Documentar um plano de experimentação antes de programar o primeiro modelo Comparar várias baselines ingénuas: média, regra de negócio, modelo aleatório Automatizar o cálculo e o acompanhamento das métricas num dashboard de experimentação Justificar a escolha de uma métrica perante um decisor não técnico Workshop profissional: realizar um estudo exploratório completo e propor uma estratégia de modelação

📚 10 lições ⏱ 3 a 5 h 🎯 Quiz incluído ⚡ 160 créditos incluídos

Informações sobre a formação

Público-alvo

Profissionais de dados, analistas, programadores e perfis técnicos que pretendem conduzir projetos de Data Science, da exploração até à avaliação, implementação e acompanhamento dos modelos.

Pré-requisitos

Sem pré-requisitos avançados. Para começar, basta uma utilização corrente do computador e interesse pela análise de dados ou pela resolução de problemas.

Objetivos pedagógicos

Separar corretamente os dados de treino, validação e teste
Escolher uma métrica de avaliação alinhada com o custo de negócio dos erros
Comparar várias baselines ingénuas: média, regra de negócio, modelo aleatório
Workshop profissional: realizar um estudo exploratório completo e propor uma estratégia de modelação

Competências visadas

Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
Produzir um resultado utilizável e verificável mobilizando as noções estudadas: realizar um estudo exploratório completo e propor uma estratégia de modelação
Controlar a qualidade dos dados, resultados, provas ou decisões antes da apresentação ou implementação.
Documentar a abordagem, explicar os limites e defender as escolhas feitas perante um interlocutor profissional.

Duração estimada

3 a 5 h

Preço

24,90 € s/ IVA

Pack Modelação supervisionada & validação 3 cursos Nível 2

🎓 Certificado : Data Scientist — Modelação supervisionada & validação

📚 3 percursos 📖 30 lições ⏱ 9 a 15 h ⚡ 540 créditos incluídos

89,70 €

76,90 s/ IVA

Poupança : 12,80 €

04 Nível 2

Protocolo de experimentação supervisionada

Construir um protocolo experimental fiável e escolher uma família de modelos adequada à decisão a apoiar.

Construir um protocolo experimental reproduzível: dados, transformações, baseline, métricas e registo de experiências Escolher entre regressão, classificação, ranking ou estimativa probabilística segundo a decisão a apoiar Construir uma baseline supervisionada interpretável e traduzir uma probabilidade numa regra de decisão Comparar famílias de modelos interpretáveis e não lineares sem confundir complexidade e desempenho útil Compreender o papel dos ensembles, do bagging e do boosting para melhorar robustez e generalização Escolher um algoritmo segundo a natureza das variáveis: linear, baseado em árvores ou baseado em distâncias Compreender o papel da regularização L1/L2 para controlar a complexidade de um modelo Construir um pipeline scikit-learn robusto e reutilizável Documentar as hipóteses e limites de um modelo desde a sua conceção Comparar um modelo simples e um modelo complexo num mesmo caso de negócio concreto

📚 10 lições ⏱ 3 a 5 h 🎯 Quiz incluído ⚡ 180 créditos incluídos

Informações sobre a formação

Público-alvo

Profissionais de dados, analistas, programadores e perfis técnicos que pretendem conduzir projetos de Data Science, da exploração até à avaliação, implementação e acompanhamento dos modelos.

Pré-requisitos

Conhecer os fundamentos introduzidos nos primeiros cursos do percurso ou ter uma experiência prática equivalente.

Objetivos pedagógicos

Construir um protocolo experimental reproduzível: dados, transformações, baseline, métricas e registo de experiências
Comparar famílias de modelos interpretáveis e não lineares sem confundir complexidade e desempenho útil
Compreender o papel da regularização L1/L2 para controlar a complexidade de um modelo
Comparar um modelo simples e um modelo complexo num mesmo caso de negócio concreto

Competências visadas

Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
Produzir um resultado utilizável e verificável mobilizando as noções estudadas: comparar um modelo simples e um modelo complexo num mesmo caso de negócio concreto
Controlar a qualidade dos dados, resultados, provas ou decisões antes da apresentação ou implementação.
Documentar a abordagem, explicar os limites e defender as escolhas feitas perante um interlocutor profissional.

Duração estimada

3 a 5 h

Preço

29,90 € s/ IVA

05 Nível 2

Acesso aos dados e gestão de desequilíbrios

Selecionar uma estratégia de modelação adaptada às restrições do projeto, aceder aos dados de origem e gerir os desequilíbrios de classes.

Selecionar uma estratégia de modelação segundo volume, não linearidade, interpretabilidade, latência e custo de manutenção Consultar bases de dados e data warehouses com SQL para construir um conjunto de trabalho Gerir a raridade dos eventos, classes desequilibradas e custos assimétricos sem fabricar artificialmente desempenho Escolher métricas, curvas e limiares de decisão segundo o custo dos falsos positivos, falsos negativos e abstenções Avaliar uma regressão e analisar os erros por segmentos, intervalos de valores e utilizações de negócio Juntar e agregar dados provenientes de várias fontes heterogéneas Sobreamostrar e subamostrar sem introduzir fugas, com SMOTE e as suas alternativas Ponderar as classes na função de custo em vez de reequilibrar os dados Construir um conjunto de trabalho a partir de fluxos de dados em tempo quase real Documentar a proveniência e a atualidade dos dados utilizados (data lineage)

📚 10 lições ⏱ 3 a 5 h 🎯 Quiz incluído ⚡ 180 créditos incluídos

Informações sobre a formação

Público-alvo

Profissionais de dados, analistas, programadores e perfis técnicos que pretendem conduzir projetos de Data Science, da exploração até à avaliação, implementação e acompanhamento dos modelos.

Pré-requisitos

Conhecer os fundamentos introduzidos nos primeiros cursos do percurso ou ter uma experiência prática equivalente.

Objetivos pedagógicos

Selecionar uma estratégia de modelação segundo volume, não linearidade, interpretabilidade, latência e custo de manutenção
Escolher métricas, curvas e limiares de decisão segundo o custo dos falsos positivos, falsos negativos e abstenções
Sobreamostrar e subamostrar sem introduzir fugas, com SMOTE e as suas alternativas
Documentar a proveniência e a atualidade dos dados utilizados (data lineage)

Competências visadas

Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
Produzir um resultado utilizável e verificável mobilizando as noções estudadas: documentar a proveniência e a atualidade dos dados utilizados (data lineage)
Controlar a qualidade dos dados, resultados, provas ou decisões antes da apresentação ou implementação.
Documentar a abordagem, explicar os limites e defender as escolhas feitas perante um interlocutor profissional.

Duração estimada

3 a 5 h

Preço

29,90 € s/ IVA

06 Nível 2

Validação e seleção do modelo

Construir uma validação robusta, organizar a procura de hiperparâmetros e selecionar um modelo final de forma defensável.

Construir uma validação adequada: holdout, validação cruzada, grupos, tempo e dependências entre observações Organizar a procura de hiperparâmetros com orçamento de experimentação, critérios de paragem e rastreabilidade Detetar fugas de alvo, fugas temporais, enviesamentos de seleção e contaminação entre conjuntos de dados Comparar candidatos com um protocolo idêntico e documentar porque um modelo mais simples pode ser preferível Utilizar uma procura bayesiana de hiperparâmetros para reduzir o custo computacional Construir um ensemble de modelos (stacking, voting) e avaliar o seu benefício real Medir a estabilidade de um modelo por reamostragem (bootstrap) Escolher entre otimizar o desempenho médio e o desempenho no pior caso Redigir uma nota de seleção de modelo destinada a uma revisão por pares Workshop profissional: conduzir uma experiência de scoring, comparar várias famílias de modelos e defender a escolha final

📚 10 lições ⏱ 3 a 5 h 🎯 Quiz incluído ⚡ 180 créditos incluídos

Informações sobre a formação

Público-alvo

Profissionais de dados, analistas, programadores e perfis técnicos que pretendem conduzir projetos de Data Science, da exploração até à avaliação, implementação e acompanhamento dos modelos.

Pré-requisitos

Conhecer os fundamentos introduzidos nos primeiros cursos do percurso ou ter uma experiência prática equivalente.

Objetivos pedagógicos

Construir uma validação adequada: holdout, validação cruzada, grupos, tempo e dependências entre observações
Comparar candidatos com um protocolo idêntico e documentar porque um modelo mais simples pode ser preferível
Medir a estabilidade de um modelo por reamostragem (bootstrap)
Workshop profissional: conduzir uma experiência de scoring, comparar várias famílias de modelos e defender a escolha final

Competências visadas

Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
Produzir um resultado utilizável e verificável mobilizando as noções estudadas: conduzir uma experiência de scoring, comparar várias famílias de modelos e defender a escolha final
Controlar a qualidade dos dados, resultados, provas ou decisões antes da apresentação ou implementação.
Documentar a abordagem, explicar os limites e defender as escolhas feitas perante um interlocutor profissional.

Duração estimada

3 a 5 h

Preço

29,90 € s/ IVA

Pack Representações, temporalidade & causalidade 3 cursos Nível 3

🎓 Certificado : Data Scientist — Representações, temporalidade & causalidade

📚 3 percursos 📖 30 lições ⏱ 9 a 15 h ⚡ 600 créditos incluídos

104,70 €

89,90 s/ IVA

Poupança : 14,80 €

07 Nível 3

Feature engineering e introdução ao deep learning

Conceber representações pertinentes dos dados e lançar as bases do deep learning face ao ML clássico.

Conceber variáveis pertinentes a partir do conhecimento do negócio sem introduzir fugas Reduzir a dimensão e diagnosticar a redundância entre variáveis Utilizar PCA para explorar estruturas de dados de alta dimensão Construir uma segmentação com K-means e avaliar a sua estabilidade Introduzir as redes neuronais: perceptrão, camadas, retropropagação e critérios para preferir o deep learning ao ML clássico Construir interações e transformações não lineares entre variáveis Selecionar variáveis com métodos de filtragem, wrapper e incorporados Comparar PCA, t-SNE e UMAP para a exploração visual de dados complexos Escolher uma função de ativação e uma função de perda adequadas ao problema Treinar uma pequena rede neuronal com um framework moderno e diagnosticar a sua convergência

📚 10 lições ⏱ 3 a 5 h 🎯 Quiz incluído ⚡ 200 créditos incluídos

Informações sobre a formação

Público-alvo

Profissionais de dados, analistas, programadores e perfis técnicos que pretendem conduzir projetos de Data Science, da exploração até à avaliação, implementação e acompanhamento dos modelos.

Pré-requisitos

Conhecer os fundamentos introduzidos nos primeiros cursos do percurso ou ter uma experiência prática equivalente.

Objetivos pedagógicos

Conceber variáveis pertinentes a partir do conhecimento do negócio sem introduzir fugas
Construir uma segmentação com K-means e avaliar a sua estabilidade
Selecionar variáveis com métodos de filtragem, wrapper e incorporados
Treinar uma pequena rede neuronal com um framework moderno e diagnosticar a sua convergência

Competências visadas

Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
Produzir um resultado utilizável e verificável mobilizando as noções estudadas: treinar uma pequena rede neuronal com um framework moderno e diagnosticar a sua convergência
Controlar a qualidade dos dados, resultados, provas ou decisões antes da apresentação ou implementação.
Documentar a abordagem, explicar os limites e defender as escolhas feitas perante um interlocutor profissional.

Duração estimada

3 a 5 h

Preço

34,90 € s/ IVA

08 Nível 3

Séries temporais e dados textuais

Tratar dados temporais e textuais com os métodos e validações que lhes são próprios.

Analisar séries temporais: tendência, sazonalidade, autocorrelação e ruturas Construir uma validação temporal sem misturar passado e futuro Criar features de séries temporais: desfasamentos, janelas, agregados e calendários Estabelecer uma baseline de previsão e comparar modelos simples antes dos modelos complexos Tratar os dados textuais por limpeza, representação e classificação supervisionada simples Modelar uma série temporal com métodos clássicos: ARIMA, alisamento exponencial Gerir várias séries temporais em simultâneo com uma previsão multisséries ou hierárquica Detetar ruturas de regime e alterações de sazonalidade Representar texto com TF-IDF e depois com embeddings pré-treinados Construir um pipeline de classificação de texto de ponta a ponta num caso de negócio

📚 10 lições ⏱ 3 a 5 h 🎯 Quiz incluído ⚡ 200 créditos incluídos

Informações sobre a formação

Público-alvo

Profissionais de dados, analistas, programadores e perfis técnicos que pretendem conduzir projetos de Data Science, da exploração até à avaliação, implementação e acompanhamento dos modelos.

Pré-requisitos

Dominar os fundamentos do percurso ou dispor de experiência equivalente. Os cursos avançados reutilizam os métodos, ferramentas e controlos estudados anteriormente.

Objetivos pedagógicos

Analisar séries temporais: tendência, sazonalidade, autocorrelação e ruturas
Estabelecer uma baseline de previsão e comparar modelos simples antes dos modelos complexos
Gerir várias séries temporais em simultâneo com uma previsão multisséries ou hierárquica
Construir um pipeline de classificação de texto de ponta a ponta num caso de negócio

Competências visadas

Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
Produzir um resultado utilizável e verificável mobilizando as noções estudadas: construir um pipeline de classificação de texto de ponta a ponta num caso de negócio
Controlar a qualidade dos dados, resultados, provas ou decisões antes da apresentação ou implementação.
Documentar a abordagem, explicar os limites e defender as escolhas feitas perante um interlocutor profissional.

Duração estimada

3 a 5 h

Preço

34,90 € s/ IVA

09 Nível 3

Representações semânticas, anomalias e causalidade

Mobilizar os embeddings e a deteção de anomalias e distinguir previsão e causalidade para esclarecer uma decisão de intervenção.

Compreender os embeddings e o seu interesse para a semelhança e a representação semântica Detetar anomalias por abordagens estatísticas e algorítmicas Distinguir previsão e causalidade: introdução à inferência causal e ao uplift modeling para escolher uma intervenção Construir uma estratégia de erro: casos-limite, falsos positivos, falsos negativos e abstenção Comparar embeddings por semelhança de cosseno e avaliar a sua qualidade Construir um sistema de pesquisa por semelhança (vizinhos mais próximos) a partir de embeddings Detetar anomalias com um autoencoder simples Estimar o efeito causal de uma intervenção com métodos de matching ou de scoring de propensão Construir um plano de experimentação A/B para validar uma hipótese causal Workshop profissional: combinar segmentação, previsão e análise temporal num caso de cliente

📚 10 lições ⏱ 3 a 5 h 🎯 Quiz incluído ⚡ 200 créditos incluídos

Informações sobre a formação

Público-alvo

Profissionais de dados, analistas, programadores e perfis técnicos que pretendem conduzir projetos de Data Science, da exploração até à avaliação, implementação e acompanhamento dos modelos.

Pré-requisitos

Dominar os fundamentos do percurso ou dispor de experiência equivalente. Os cursos avançados reutilizam os métodos, ferramentas e controlos estudados anteriormente.

Objetivos pedagógicos

Compreender os embeddings e o seu interesse para a semelhança e a representação semântica
Construir uma estratégia de erro: casos-limite, falsos positivos, falsos negativos e abstenção
Detetar anomalias com um autoencoder simples
Workshop profissional: combinar segmentação, previsão e análise temporal num caso de cliente

Competências visadas

Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
Produzir um resultado utilizável e verificável mobilizando as noções estudadas: combinar segmentação, previsão e análise temporal num caso de cliente
Controlar a qualidade dos dados, resultados, provas ou decisões antes da apresentação ou implementação.
Documentar a abordagem, explicar os limites e defender as escolhas feitas perante um interlocutor profissional.

Duração estimada

3 a 5 h

Preço

34,90 € s/ IVA

Pack Engenharia de ML & entrada em produção 3 cursos Nível 4

🎓 Certificado : Data Scientist — Engenharia de ML & entrada em produção

📚 3 percursos 📖 30 lições ⏱ 9 a 15 h ⚡ 660 créditos incluídos

119,70 €

101,90 s/ IVA

Poupança : 17,80 €

10 Nível 4

Engenharia de software e reprodutibilidade de ML

Estruturar um projeto de Machine Learning em código testável, versionado e rastreável.

Estruturar o código de um projeto de ML em módulos testáveis e reproduzíveis Versionar código, dados de referência, parâmetros e artefactos de modelos Rastrear as experiências: dataset, features, hiperparâmetros, métricas e modelo produzido Construir um pipeline de treino automatizado e reexecutável Criar testes unitários para transformações, features e funções de scoring Utilizar uma ferramenta de acompanhamento de experiências para comparar as execuções entre si Implementar uma integração contínua para um projeto de Machine Learning Gerir as dependências e ambientes com ferramentas reproduzíveis Documentar o código e a API interna de um projeto de ML para uma equipa Rever o código de um par e dar um feedback construtivo sobre um pipeline de ML

📚 10 lições ⏱ 3 a 5 h 🎯 Quiz incluído ⚡ 220 créditos incluídos

Informações sobre a formação

Público-alvo

Profissionais de dados, analistas, programadores e perfis técnicos que pretendem conduzir projetos de Data Science, da exploração até à avaliação, implementação e acompanhamento dos modelos.

Pré-requisitos

Dominar os fundamentos do percurso ou dispor de experiência equivalente. Os cursos avançados reutilizam os métodos, ferramentas e controlos estudados anteriormente.

Objetivos pedagógicos

Estruturar o código de um projeto de ML em módulos testáveis e reproduzíveis
Construir um pipeline de treino automatizado e reexecutável
Implementar uma integração contínua para um projeto de Machine Learning
Rever o código de um par e dar um feedback construtivo sobre um pipeline de ML

Competências visadas

Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
Produzir um resultado utilizável e verificável mobilizando as noções estudadas: rever o código de um par e dar um feedback construtivo sobre um pipeline de ML
Controlar a qualidade dos dados, resultados, provas ou decisões antes da apresentação ou implementação.
Documentar a abordagem, explicar os limites e defender as escolhas feitas perante um interlocutor profissional.

Duração estimada

3 a 5 h

Preço

39,90 € s/ IVA

11 Nível 4

Fiabilidade dos dados, explicabilidade e equidade

Prevenir os desvios entre treino e produção, explicar os modelos e avaliar a sua equidade.

Validar os esquemas, prevenir o train-serve skew e compreender o papel de um feature store Explicar um modelo global e localmente com importância de variáveis e métodos do tipo SHAP Identificar os limites de uma explicação de modelo e evitar a causalidade implícita Avaliar enviesamentos e desempenho por subpopulações pertinentes Construir uma API de previsão e definir um contrato de entrada/saída Construir um feature store partilhado entre treino e serviço Comparar explicações locais do tipo LIME e SHAP num mesmo caso e interpretar as divergências Definir critérios de fairness adaptados ao contexto: paridade demográfica, igualdade de oportunidades Corrigir um enviesamento detetado sem degradar excessivamente o desempenho global Conceber testes de não regressão para a qualidade e a equidade de um modelo

📚 10 lições ⏱ 3 a 5 h 🎯 Quiz incluído ⚡ 220 créditos incluídos

Informações sobre a formação

Público-alvo

Profissionais de dados, analistas, programadores e perfis técnicos que pretendem conduzir projetos de Data Science, da exploração até à avaliação, implementação e acompanhamento dos modelos.

Pré-requisitos

Dominar os fundamentos do percurso ou dispor de experiência equivalente. Os cursos avançados reutilizam os métodos, ferramentas e controlos estudados anteriormente.

Objetivos pedagógicos

Validar os esquemas, prevenir o train-serve skew e compreender o papel de um feature store
Avaliar enviesamentos e desempenho por subpopulações pertinentes
Comparar explicações locais do tipo LIME e SHAP num mesmo caso e interpretar as divergências
Conceber testes de não regressão para a qualidade e a equidade de um modelo

Competências visadas

Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
Produzir um resultado utilizável e verificável mobilizando as noções estudadas: conceber testes de não regressão para a qualidade e a equidade de um modelo
Controlar a qualidade dos dados, resultados, provas ou decisões antes da apresentação ou implementação.
Documentar a abordagem, explicar os limites e defender as escolhas feitas perante um interlocutor profissional.

Duração estimada

3 a 5 h

Preço

39,90 € s/ IVA

12 Nível 4

Implementação e ciclo de vida do modelo

Implementar um serviço de scoring e assegurar a sua monitorização e o seu ciclo de vida em produção.

Contentorizar ou empacotar um serviço de scoring reproduzível Implementar métricas de serviço: latência, erros, disponibilidade e volume Monitorizar deriva de dados, deriva de conceito e degradação do desempenho Definir regras de retreino, rollback e validação antes da promoção Implementar um modelo em modo batch e em tempo real e escolher entre os dois Implementar uma implementação progressiva do tipo canary ou shadow deployment Construir alertas acionáveis em vez de um dashboard passivo Automatizar o retreino periódico com validação antes da promoção Gerir várias versões de um modelo em produção em simultâneo Workshop profissional: industrializar um modelo desde a experimentação até à monitorização

📚 10 lições ⏱ 3 a 5 h 🎯 Quiz incluído ⚡ 220 créditos incluídos

Informações sobre a formação

Público-alvo

Profissionais de dados, analistas, programadores e perfis técnicos que pretendem conduzir projetos de Data Science, da exploração até à avaliação, implementação e acompanhamento dos modelos.

Pré-requisitos

Dominar os fundamentos do percurso ou dispor de experiência equivalente. Os cursos avançados reutilizam os métodos, ferramentas e controlos estudados anteriormente.

Objetivos pedagógicos

Contentorizar ou empacotar um serviço de scoring reproduzível
Definir regras de retreino, rollback e validação antes da promoção
Construir alertas acionáveis em vez de um dashboard passivo
Workshop profissional: industrializar um modelo desde a experimentação até à monitorização

Competências visadas

Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
Produzir um resultado utilizável e verificável mobilizando as noções estudadas: industrializar um modelo desde a experimentação até à monitorização
Controlar a qualidade dos dados, resultados, provas ou decisões antes da apresentação ou implementação.
Documentar a abordagem, explicar os limites e defender as escolhas feitas perante um interlocutor profissional.

Duração estimada

3 a 5 h

Preço

39,90 € s/ IVA

Pack Estratégia, governação & modelos de fundação 3 cursos Nível 5

🎓 Certificado : Data Scientist — Estratégia, governação & modelos de fundação

📚 3 percursos 📖 30 lições ⏱ 9 a 15 h ⚡ 720 créditos incluídos

135,00 €

114,90 s/ IVA

Poupança : 20,10 €

13 Nível 5

Enquadramento estratégico e valor de negócio

Decidir se um problema justifica Machine Learning e construir o valor de negócio de um produto de Data Science.

Determinar se um problema justifica realmente Machine Learning Construir um business case que ligue desempenho do modelo, impacto operacional e valor económico Definir uma métrica de sucesso em produção distinta das métricas de validação offline Escolher entre automatização completa, recomendação assistida e humano no circuito Definir as responsabilidades entre Data Science, Data Engineering, TI, negócio e governação Priorizar uma carteira de iniciativas de Data Science segundo valor e viabilidade Estimar o custo total de posse de um produto de Machine Learning Negociar um âmbito de projeto realista com um sponsor de negócio Construir um roteiro progressivo, do MVP ao reforço da fiabilidade Antecipar os cenários de falha de um projeto de ML e as suas consequências

📚 10 lições ⏱ 3 a 5 h 🎯 Quiz incluído ⚡ 240 créditos incluídos

Informações sobre a formação

Público-alvo

Profissionais de dados, analistas, programadores e perfis técnicos que pretendem conduzir projetos de Data Science, da exploração até à avaliação, implementação e acompanhamento dos modelos.

Pré-requisitos

Dominar os fundamentos do percurso ou dispor de experiência equivalente. Os cursos avançados reutilizam os métodos, ferramentas e controlos estudados anteriormente.

Objetivos pedagógicos

Determinar se um problema justifica realmente Machine Learning
Escolher entre automatização completa, recomendação assistida e humano no circuito
Estimar o custo total de posse de um produto de Machine Learning
Antecipar os cenários de falha de um projeto de ML e as suas consequências

Competências visadas

Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
Produzir um resultado utilizável e verificável mobilizando as noções estudadas: antecipar os cenários de falha de um projeto de ML e as suas consequências
Controlar a qualidade dos dados, resultados, provas ou decisões antes da apresentação ou implementação.
Documentar a abordagem, explicar os limites e defender as escolhas feitas perante um interlocutor profissional.

Duração estimada

3 a 5 h

Preço

45,00 € s/ IVA

14 Nível 5

Governação, ética e documentação

Governar os dados e os modelos, enquadrar os riscos éticos e documentar a conformidade, os limites e as utilizações autorizadas.

Construir um protocolo de experimentação em produção e de comparação com a situação atual Gerir as restrições de confidencialidade, segurança e minimização dos dados Identificar os riscos de discriminação, proxy variables e decisões injustas Documentar um modelo: âmbito, dados, desempenho, limites, utilizações proibidas e dependências Organizar a validação pelo negócio e os critérios de entrada em produção Implementar uma comissão de revisão para os modelos de elevado impacto Anonimizar ou pseudonimizar dados sensíveis sem destruir o seu valor preditivo Gerir o consentimento e os direitos das pessoas abrangidas por um modelo Auditar a posteriori um modelo existente para verificar a sua conformidade Redigir uma carta de utilização responsável da IA para uma equipa de Data Science

📚 10 lições ⏱ 3 a 5 h 🎯 Quiz incluído ⚡ 240 créditos incluídos

Informações sobre a formação

Público-alvo

Profissionais de dados, analistas, programadores e perfis técnicos que pretendem conduzir projetos de Data Science, da exploração até à avaliação, implementação e acompanhamento dos modelos.

Pré-requisitos

Dominar os fundamentos do percurso ou dispor de experiência equivalente. Os cursos avançados reutilizam os métodos, ferramentas e controlos estudados anteriormente.

Objetivos pedagógicos

Construir um protocolo de experimentação em produção e de comparação com a situação atual
Documentar um modelo: âmbito, dados, desempenho, limites, utilizações proibidas e dependências
Anonimizar ou pseudonimizar dados sensíveis sem destruir o seu valor preditivo
Redigir uma carta de utilização responsável da IA para uma equipa de Data Science

Competências visadas

Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
Produzir um resultado utilizável e verificável mobilizando as noções estudadas: redigir uma carta de utilização responsável da IA para uma equipa de Data Science
Controlar a qualidade dos dados, resultados, provas ou decisões antes da apresentação ou implementação.
Documentar a abordagem, explicar os limites e defender as escolhas feitas perante um interlocutor profissional.

Duração estimada

3 a 5 h

Preço

45,00 € s/ IVA

15 Nível 5

Continuidade, IA generativa e apresentação

Garantir a continuidade de um produto de ML, integrar modelos de fundação com discernimento e apresentar o seu trabalho.

Conceber um plano de continuidade: falha do modelo, fallback, paragem e retoma Integrar modelos de fundação num produto de Data Science: prompt engineering, fine-tuning ligeiro, RAG e avaliação Apresentar os resultados a decisores sem vender uma precisão ilusória Construir um portefólio de projeto de ML com prova de método, avaliação e impacto Avaliar o custo e a latência de um modelo de fundação face a um modelo treinado internamente Construir um sistema RAG robusto com gestão das fontes e das citações Proteger uma utilização de modelo de fundação contra injeções de prompt e fugas de dados Combinar um modelo de fundação e um modelo de ML clássico num mesmo produto Preparar uma defesa oral de projeto de Data Science perante um júri misto técnico e de negócio Projeto final: conceber, entregar e defender um produto de ML completo com dossier de entrada em produção

📚 10 lições ⏱ 3 a 5 h 🎯 Quiz incluído ⚡ 240 créditos incluídos

Informações sobre a formação

Público-alvo

Profissionais de dados, analistas, programadores e perfis técnicos que pretendem conduzir projetos de Data Science, da exploração até à avaliação, implementação e acompanhamento dos modelos.

Pré-requisitos

Dominar os fundamentos do percurso ou dispor de experiência equivalente. Os cursos avançados reutilizam os métodos, ferramentas e controlos estudados anteriormente.

Objetivos pedagógicos

Conceber um plano de continuidade: falha do modelo, fallback, paragem e retoma
Construir um portefólio de projeto de ML com prova de método, avaliação e impacto
Proteger uma utilização de modelo de fundação contra injeções de prompt e fugas de dados
Projeto final: conceber, entregar e defender um produto de ML completo com dossier de entrada em produção

Competências visadas

Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
Produzir um resultado utilizável e verificável mobilizando as noções estudadas: conceber, entregar e defender um produto de ML completo com dossier de entrada em produção
Controlar a qualidade dos dados, resultados, provas ou decisões antes da apresentação ou implementação.
Documentar a abordagem, explicar os limites e defender as escolhas feitas perante um interlocutor profissional.

Duração estimada

3 a 5 h

Preço

45,00 € s/ IVA