Data Scientist profissional — Do problema de negócio ao modelo em produção
Trilha profissional completa para conduzir uma abordagem de Data Science, do problema de negócio até o modelo avaliado, implantado e monitorado.
O Data Scientist transforma um problema de negócio em uma abordagem experimental baseada em dados. Ele constrói conjuntos de trabalho confiáveis, formula hipóteses, estabelece baselines, desenvolve e compara modelos, mede a incerteza e os vieses e contribui para integrar os modelos em produtos ou processos realmente utilizados.
Esta trilha 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 modelagem relevante, demonstrar seu desempenho e valor operacional e participar de sua implantação, monitoramento e governança.
metiers_prof_data_scientist_outcome
15 cursos • 150 aulas interativas • de 45 a 75 horas de treinamento conversacional
Melhor oferta
Pacote Completo — Data Scientist
399,00 € sem impostos
Economia : 124,80 €
74,70 €
64,90 sem impostos
Economia : 9,80 €
Definição do problema e ambiente de trabalho
Entender o papel do Data Scientist, traduzir um desafio de negócio em um problema de modelagem e configurar um ambiente de trabalho reproduzível.
Informações sobre o treinamento
Profissionais de dados, analistas, desenvolvedores e perfis técnicos que desejam conduzir projetos de Data Science, da exploração até a avaliação, implantação e acompanhamento dos modelos.
Nenhum pré-requisito avançado. Para começar, basta ter familiaridade com o computador e interesse por análise de dados ou resolução de problemas.
- Entender o papel do Data Scientist e diferenciar 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
- Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
- Produzir um resultado utilizável e verificável aplicando os conceitos estudados: apresentar uma primeira leitura dos dados a um interlocutor de negócio
- Controlar a qualidade dos dados, resultados, evidências ou decisões antes da apresentação ou implementação.
- Documentar a abordagem, explicar as limitações e defender as escolhas feitas diante de um interlocutor profissional.
3 a 5 h
24,90 € sem impostos
Qualidade dos dados e raciocínio estatístico
Identificar os problemas de qualidade dos dados e aplicar as bases estatísticas e probabilísticas necessárias a um projeto de Data Science.
Informações sobre o treinamento
Profissionais de dados, analistas, desenvolvedores e perfis técnicos que desejam conduzir projetos de Data Science, da exploração até a avaliação, implantação e acompanhamento dos modelos.
Nenhum pré-requisito avançado. Para começar, basta ter familiaridade com o computador e interesse por análise de dados ou resolução de problemas.
- Identificar dados ausentes, outliers, erros de medição e vieses de coleta
- Entender covariância, correlação e limites de interpretação
- Entender as distribuições usuais (normal, Poisson, binomial) e seu uso prático
- Auditar a qualidade de um conjunto de dados real e produzir um relatório de data quality
- Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
- Produzir um resultado utilizável e verificável aplicando os conceitos estudados: auditar a qualidade de um conjunto de dados real e produzir um relatório de data quality
- Controlar a qualidade dos dados, resultados, evidências ou decisões antes da apresentação ou implementação.
- Documentar a abordagem, explicar as limitações e defender as escolhas feitas diante de um interlocutor profissional.
3 a 5 h
24,90 € sem impostos
Protocolo experimental e baseline
Implementar um protocolo experimental rigoroso e estabelecer uma primeira baseline de referência.
Informações sobre o treinamento
Profissionais de dados, analistas, desenvolvedores e perfis técnicos que desejam conduzir projetos de Data Science, da exploração até a avaliação, implantação e acompanhamento dos modelos.
Nenhum pré-requisito avançado. Para começar, basta ter familiaridade com o computador e interesse por análise de dados ou resolução de problemas.
- Separar corretamente os dados de treinamento, validação e teste
- Escolher uma métrica de avaliação alinhada ao custo de negócio dos erros
- Comparar várias baselines ingênuas: média, regra de negócio, modelo aleatório
- Workshop profissional: realizar um estudo exploratório completo e propor uma estratégia de modelagem
- Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
- Produzir um resultado utilizável e verificável aplicando os conceitos estudados: realizar um estudo exploratório completo e propor uma estratégia de modelagem
- Controlar a qualidade dos dados, resultados, evidências ou decisões antes da apresentação ou implementação.
- Documentar a abordagem, explicar as limitações e defender as escolhas feitas diante de um interlocutor profissional.
3 a 5 h
24,90 € sem impostos
89,70 €
76,90 sem impostos
Economia : 12,80 €
Protocolo de experimentação supervisionada
Construir um protocolo experimental confiável e escolher uma família de modelos adequada à decisão a apoiar.
Informações sobre o treinamento
Profissionais de dados, analistas, desenvolvedores e perfis técnicos que desejam conduzir projetos de Data Science, da exploração até a avaliação, implantação e acompanhamento dos modelos.
Conhecer os fundamentos apresentados nos primeiros cursos da trilha ou ter experiência prática equivalente.
- Construir um protocolo experimental reproduzível: dados, transformações, baseline, métricas e registro de experimentos
- Comparar famílias de modelos interpretáveis e não lineares sem confundir complexidade e desempenho útil
- Entender o papel da regularização L1/L2 para controlar a complexidade de um modelo
- Comparar um modelo simples e um modelo complexo em um mesmo caso de negócio concreto
- Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
- Produzir um resultado utilizável e verificável aplicando os conceitos estudados: comparar um modelo simples e um modelo complexo em um mesmo caso de negócio concreto
- Controlar a qualidade dos dados, resultados, evidências ou decisões antes da apresentação ou implementação.
- Documentar a abordagem, explicar as limitações e defender as escolhas feitas diante de um interlocutor profissional.
3 a 5 h
29,90 € sem impostos
Acesso aos dados e tratamento de desbalanceamentos
Selecionar uma estratégia de modelagem adaptada às restrições do projeto, acessar os dados de origem e tratar os desbalanceamentos de classes.
Informações sobre o treinamento
Profissionais de dados, analistas, desenvolvedores e perfis técnicos que desejam conduzir projetos de Data Science, da exploração até a avaliação, implantação e acompanhamento dos modelos.
Conhecer os fundamentos apresentados nos primeiros cursos da trilha ou ter experiência prática equivalente.
- Selecionar uma estratégia de modelagem de acordo com volume, não linearidade, interpretabilidade, latência e custo de manutenção
- Escolher métricas, curvas e limites de decisão de acordo com o custo dos falsos positivos, falsos negativos e abstenções
- Fazer oversampling e undersampling sem introduzir vazamentos, com SMOTE e suas alternativas
- Documentar a procedência e a atualidade dos dados utilizados (data lineage)
- Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
- Produzir um resultado utilizável e verificável aplicando os conceitos estudados: documentar a procedência e a atualidade dos dados utilizados (data lineage)
- Controlar a qualidade dos dados, resultados, evidências ou decisões antes da apresentação ou implementação.
- Documentar a abordagem, explicar as limitações e defender as escolhas feitas diante de um interlocutor profissional.
3 a 5 h
29,90 € sem impostos
Validação e seleção do modelo
Construir uma validação robusta, organizar a busca de hiperparâmetros e selecionar um modelo final de forma defensável.
Informações sobre o treinamento
Profissionais de dados, analistas, desenvolvedores e perfis técnicos que desejam conduzir projetos de Data Science, da exploração até a avaliação, implantação e acompanhamento dos modelos.
Conhecer os fundamentos apresentados nos primeiros cursos da trilha ou ter experiência prática equivalente.
- Construir uma validação adequada: holdout, validação cruzada, grupos, tempo e dependências entre observações
- Comparar candidatos com um protocolo idêntico e documentar por que um modelo mais simples pode ser preferível
- Medir a estabilidade de um modelo por reamostragem (bootstrap)
- Workshop profissional: conduzir um experimento de scoring, comparar várias famílias de modelos e defender a escolha final
- Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
- Produzir um resultado utilizável e verificável aplicando os conceitos estudados: conduzir um experimento de scoring, comparar várias famílias de modelos e defender a escolha final
- Controlar a qualidade dos dados, resultados, evidências ou decisões antes da apresentação ou implementação.
- Documentar a abordagem, explicar as limitações e defender as escolhas feitas diante de um interlocutor profissional.
3 a 5 h
29,90 € sem impostos
104,70 €
89,90 sem impostos
Economia : 14,80 €
Feature engineering e introdução ao deep learning
Projetar representações relevantes dos dados e estabelecer as bases do deep learning em comparação com o ML clássico.
Informações sobre o treinamento
Profissionais de dados, analistas, desenvolvedores e perfis técnicos que desejam conduzir projetos de Data Science, da exploração até a avaliação, implantação e acompanhamento dos modelos.
Conhecer os fundamentos apresentados nos primeiros cursos da trilha ou ter experiência prática equivalente.
- Projetar variáveis relevantes a partir do conhecimento do negócio sem introduzir vazamentos
- Construir uma segmentação com K-means e avaliar sua estabilidade
- Selecionar variáveis com métodos de filtragem, wrapper e embutidos
- Treinar uma pequena rede neural com um framework moderno e diagnosticar sua convergência
- Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
- Produzir um resultado utilizável e verificável aplicando os conceitos estudados: treinar uma pequena rede neural com um framework moderno e diagnosticar sua convergência
- Controlar a qualidade dos dados, resultados, evidências ou decisões antes da apresentação ou implementação.
- Documentar a abordagem, explicar as limitações e defender as escolhas feitas diante de um interlocutor profissional.
3 a 5 h
34,90 € sem impostos
Séries temporais e dados textuais
Tratar dados temporais e textuais com os métodos e validações próprios a eles.
Informações sobre o treinamento
Profissionais de dados, analistas, desenvolvedores e perfis técnicos que desejam conduzir projetos de Data Science, da exploração até a avaliação, implantação e acompanhamento dos modelos.
Dominar os fundamentos da trilha ou ter experiência equivalente. Os cursos avançados retomam os métodos, ferramentas e controles estudados anteriormente.
- Analisar séries temporais: tendência, sazonalidade, autocorrelação e rupturas
- Estabelecer uma baseline de previsão e comparar modelos simples antes dos modelos complexos
- Gerenciar várias séries temporais simultaneamente com uma previsão multisséries ou hierárquica
- Construir um pipeline de classificação de texto de ponta a ponta em um caso de negócio
- Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
- Produzir um resultado utilizável e verificável aplicando os conceitos estudados: construir um pipeline de classificação de texto de ponta a ponta em um caso de negócio
- Controlar a qualidade dos dados, resultados, evidências ou decisões antes da apresentação ou implementação.
- Documentar a abordagem, explicar as limitações e defender as escolhas feitas diante de um interlocutor profissional.
3 a 5 h
34,90 € sem impostos
Representações semânticas, anomalias e causalidade
Aplicar os embeddings e a detecção de anomalias e diferenciar previsão e causalidade para embasar uma decisão de intervenção.
Informações sobre o treinamento
Profissionais de dados, analistas, desenvolvedores e perfis técnicos que desejam conduzir projetos de Data Science, da exploração até a avaliação, implantação e acompanhamento dos modelos.
Dominar os fundamentos da trilha ou ter experiência equivalente. Os cursos avançados retomam os métodos, ferramentas e controles estudados anteriormente.
- Entender os embeddings e sua utilidade para a similaridade e a representação semântica
- Construir uma estratégia de erro: casos-limite, falsos positivos, falsos negativos e abstenção
- Detectar anomalias com um autoencoder simples
- Workshop profissional: combinar segmentação, previsão e análise temporal em um caso de cliente
- Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
- Produzir um resultado utilizável e verificável aplicando os conceitos estudados: combinar segmentação, previsão e análise temporal em um caso de cliente
- Controlar a qualidade dos dados, resultados, evidências ou decisões antes da apresentação ou implementação.
- Documentar a abordagem, explicar as limitações e defender as escolhas feitas diante de um interlocutor profissional.
3 a 5 h
34,90 € sem impostos
119,70 €
101,90 sem impostos
Economia : 17,80 €
Engenharia de software e reprodutibilidade de ML
Estruturar um projeto de Machine Learning em código testável, versionado e rastreável.
Informações sobre o treinamento
Profissionais de dados, analistas, desenvolvedores e perfis técnicos que desejam conduzir projetos de Data Science, da exploração até a avaliação, implantação e acompanhamento dos modelos.
Dominar os fundamentos da trilha ou ter experiência equivalente. Os cursos avançados retomam os métodos, ferramentas e controles estudados anteriormente.
- Estruturar o código de um projeto de ML em módulos testáveis e reproduzíveis
- Construir um pipeline de treinamento automatizado e reexecutável
- Implementar uma integração contínua para um projeto de Machine Learning
- Revisar o código de um colega e dar um feedback construtivo sobre um pipeline de ML
- Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
- Produzir um resultado utilizável e verificável aplicando os conceitos estudados: revisar o código de um colega e dar um feedback construtivo sobre um pipeline de ML
- Controlar a qualidade dos dados, resultados, evidências ou decisões antes da apresentação ou implementação.
- Documentar a abordagem, explicar as limitações e defender as escolhas feitas diante de um interlocutor profissional.
3 a 5 h
39,90 € sem impostos
Confiabilidade dos dados, explicabilidade e equidade
Prevenir as divergências entre treinamento e produção, explicar os modelos e avaliar sua equidade.
Informações sobre o treinamento
Profissionais de dados, analistas, desenvolvedores e perfis técnicos que desejam conduzir projetos de Data Science, da exploração até a avaliação, implantação e acompanhamento dos modelos.
Dominar os fundamentos da trilha ou ter experiência equivalente. Os cursos avançados retomam os métodos, ferramentas e controles estudados anteriormente.
- Validar os esquemas, prevenir o train-serve skew e entender o papel de um feature store
- Avaliar vieses e desempenho por subpopulações relevantes
- Comparar explicações locais do tipo LIME e SHAP em um mesmo caso e interpretar as divergências
- Projetar testes de não regressão para a qualidade e a equidade de um modelo
- Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
- Produzir um resultado utilizável e verificável aplicando os conceitos estudados: projetar testes de não regressão para a qualidade e a equidade de um modelo
- Controlar a qualidade dos dados, resultados, evidências ou decisões antes da apresentação ou implementação.
- Documentar a abordagem, explicar as limitações e defender as escolhas feitas diante de um interlocutor profissional.
3 a 5 h
39,90 € sem impostos
Implantação e ciclo de vida do modelo
Implantar um serviço de scoring e garantir seu monitoramento e seu ciclo de vida em produção.
Informações sobre o treinamento
Profissionais de dados, analistas, desenvolvedores e perfis técnicos que desejam conduzir projetos de Data Science, da exploração até a avaliação, implantação e acompanhamento dos modelos.
Dominar os fundamentos da trilha ou ter experiência equivalente. Os cursos avançados retomam os métodos, ferramentas e controles estudados anteriormente.
- Conteinerizar ou empacotar um serviço de scoring reproduzível
- Definir regras de retreinamento, rollback e validação antes da promoção
- Criar alertas acionáveis em vez de um dashboard passivo
- Workshop profissional: industrializar um modelo da experimentação até o monitoramento
- Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
- Produzir um resultado utilizável e verificável aplicando os conceitos estudados: industrializar um modelo da experimentação até o monitoramento
- Controlar a qualidade dos dados, resultados, evidências ou decisões antes da apresentação ou implementação.
- Documentar a abordagem, explicar as limitações e defender as escolhas feitas diante de um interlocutor profissional.
3 a 5 h
39,90 € sem impostos
135,00 €
114,90 sem impostos
Economia : 20,10 €
Definição estratégica e valor de negócio
Decidir se um problema justifica Machine Learning e construir o valor de negócio de um produto de Data Science.
Informações sobre o treinamento
Profissionais de dados, analistas, desenvolvedores e perfis técnicos que desejam conduzir projetos de Data Science, da exploração até a avaliação, implantação e acompanhamento dos modelos.
Dominar os fundamentos da trilha ou ter experiência equivalente. Os cursos avançados retomam os métodos, ferramentas e controles estudados anteriormente.
- Determinar se um problema realmente justifica Machine Learning
- Escolher entre automação completa, recomendação assistida e humano no loop
- Estimar o custo total de propriedade de um produto de Machine Learning
- Antecipar os cenários de falha de um projeto de ML e suas consequências
- Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
- Produzir um resultado utilizável e verificável aplicando os conceitos estudados: antecipar os cenários de falha de um projeto de ML e suas consequências
- Controlar a qualidade dos dados, resultados, evidências ou decisões antes da apresentação ou implementação.
- Documentar a abordagem, explicar as limitações e defender as escolhas feitas diante de um interlocutor profissional.
3 a 5 h
45,00 € sem impostos
Governança, ética e documentação
Governar os dados e os modelos, orientar os riscos éticos e documentar a conformidade, as limitações e os usos autorizados.
Informações sobre o treinamento
Profissionais de dados, analistas, desenvolvedores e perfis técnicos que desejam conduzir projetos de Data Science, da exploração até a avaliação, implantação e acompanhamento dos modelos.
Dominar os fundamentos da trilha ou ter experiência equivalente. Os cursos avançados retomam os métodos, ferramentas e controles estudados anteriormente.
- Montar um protocolo de experimentação em produção e de comparação com a situação atual
- Documentar um modelo: escopo, dados, desempenho, limitações, usos proibidos e dependências
- Anonimizar ou pseudonimizar dados sensíveis sem destruir seu valor preditivo
- Escrever uma carta de uso responsável da IA para uma equipe de Data Science
- Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
- Produzir um resultado utilizável e verificável aplicando os conceitos estudados: escrever uma carta de uso responsável da IA para uma equipe de Data Science
- Controlar a qualidade dos dados, resultados, evidências ou decisões antes da apresentação ou implementação.
- Documentar a abordagem, explicar as limitações e defender as escolhas feitas diante de um interlocutor profissional.
3 a 5 h
45,00 € sem impostos
Continuidade, IA generativa e apresentação
Garantir a continuidade de um produto de ML, integrar modelos de fundação com critério e apresentar seu trabalho.
Informações sobre o treinamento
Profissionais de dados, analistas, desenvolvedores e perfis técnicos que desejam conduzir projetos de Data Science, da exploração até a avaliação, implantação e acompanhamento dos modelos.
Dominar os fundamentos da trilha ou ter experiência equivalente. Os cursos avançados retomam os métodos, ferramentas e controles estudados anteriormente.
- Projetar um plano de continuidade: falha do modelo, fallback, parada e retomada
- Montar um portfólio de projeto de ML com evidência de método, avaliação e impacto
- Proteger um uso de modelo de fundação contra injeções de prompt e vazamentos de dados
- Projeto final: projetar, entregar e defender um produto de ML completo com dossiê de entrada em produção
- Aplicar os métodos e ferramentas do curso a uma situação profissional representativa.
- Produzir um resultado utilizável e verificável aplicando os conceitos estudados: projetar, entregar e defender um produto de ML completo com dossiê de entrada em produção
- Controlar a qualidade dos dados, resultados, evidências ou decisões antes da apresentação ou implementação.
- Documentar a abordagem, explicar as limitações e defender as escolhas feitas diante de um interlocutor profissional.
3 a 5 h
45,00 € sem impostos