Ir para o conteúdo
Carrinho

Dados para IA

40 horasIniciante9 módulos

6 de 9 módulos com ementa publicada

0 de 9 módulos gravados

Ementa

Trata o dado como o objeto de trabalho antes do modelo: Python, matemática essencial, coleta e limpeza com Pandas, estatística e o primeiro modelo supervisionado, e então os dois módulos que introduzem imagem e texto como dados (pixels, canais e OpenCV; tokens, limpeza e regex). Fecha com avaliação e experimentação — overfitting, validação cruzada, tracking — e com pipelines de dados, que é onde a área de MLOps começa. Compartilha cinco módulos com Fundamentos de IA; são o mesmo objeto, não uma cópia.

Módulos da formação

Os mesmos objetos do currículo completo. Um módulo aberto a partir de qualquer formação que o contenha é o mesmo módulo, com a mesma ementa e o mesmo estado.

  • CORE-102Ementa publicada

    Python para IA

    Conteúdo
    Sintaxe, funções, ambientes (venv/conda), notebooks
    Prática
    Mini-projeto: analisador de texto simples

    valor estimado0 de 1 módulo publicado

  • CORE-103Ementa publicada

    Matemática essencial I

    Conteúdo
    Vetores, matrizes, funções, noção de derivada — visual e intuitivo
    Prática
    Implementar operações com NumPy

    valor estimado0 de 1 módulo publicado

  • CORE-104Ementa publicada

    Dados: coleta e limpeza

    Conteúdo
    Pandas, CSV/JSON/APIs, dados faltantes, EDA
    Prática
    Limpar e explorar um dataset real sujo

    valor estimado0 de 1 módulo publicado

  • CORE-105Ementa publicada

    Estatística e probabilidade básica

    Conteúdo
    Distribuições, média/variância, correlação vs. causalidade
    Prática
    Análise estatística de um dataset público

    valor estimado0 de 1 módulo publicado

  • CORE-106Ementa publicada

    Primeiro modelo de ML

    Conteúdo
    Scikit-learn: regressão e classificação, treino/teste, métricas
    Prática
    Prever preço de imóveis + classificar spam

    valor estimado0 de 1 módulo publicado

  • CV-101Ementa publicada

    Imagens como dados (pixels, canais, OpenCV)

    Ementa detalhada ainda não escrita

  • NLP-101Ementa publicada

    Texto como dados (tokens, limpeza, regex)

    Ementa detalhada ainda não escrita

  • CORE-204Ementa publicada

    Avaliação e experimentação

    Conteúdo
    Overfitting, validação cruzada, tracking (W&B/MLflow)
    Prática
    Rodar e comparar 10 experimentos

    valor estimado0 de 1 módulo publicado

  • MLOPS-201Ementa publicada

    Pipelines de dados

    Ementa detalhada ainda não escrita

Nem tudo cabe em 40 horas. Estado da arte, treino distribuído, interpretabilidade, edge e os cinco projetos integradores existem apenas dentro das trilhas completas: Trilhas