Programa completo de Data Science e Machine Learning com Python como linguagem principal. Da manipulação de dados com Pandas e NumPy à implementação de modelos de Deep Learning com TensorFlow/Keras, passando pelo ML clássico com Scikit-Learn. Inclui também habilidades de MLOps para implantar e manter modelos em produção com Docker, FastAPI e plataformas em nuvem.
Python moderno com programação orientada a objetos e boas práticas
Manipulação de dados com Pandas, NumPy e SQL (BigQuery)
Visualização com Matplotlib, Seaborn e Plotly
Estatística descritiva e inferencial com Statsmodel
Machine Learning com Scikit-Learn e XGBoost (regressão, classificação, clustering)
Deep Learning com TensorFlow e Keras (CNN, RNN, Transformers)
NLP e GenAI com Hugging Face, LangChain e LLMs (GPT, Gemini)
MLOps com MLflow, Docker, FastAPI e Streamlit
Ambientes de desenvolvimento: Jupyter, Google Colab
Deploy em nuvem com Google Compute, Cloud Storage e GPU
Os conceitos mais importantes para entender esta tecnologia e mandar bem nas entrevistas
Python: tipos, estruturas de dados, POO, decorators, generators, context managers
NumPy: arrays, broadcasting, indexing, operações vetorizadas, álgebra linear
Pandas: DataFrames, Series, indexing, groupby, merge, pivot, séries temporais
SQL: SELECT, JOIN, GROUP BY, window functions, CTEs, otimização de consultas
Visualização: Matplotlib (figures, axes, subplots), Seaborn (gráficos estatísticos), Plotly (interativo)
Estatística: distribuições, testes de hipótese, intervalos de confiança, regressão
Feature Engineering: encoding, scaling, seleção de features, criação de features
ML Supervisionado: regressão linear/logística, árvores, Random Forest, XGBoost, métricas
ML Não Supervisionado: K-Means, clustering hierárquico, PCA, t-SNE
Pipeline de ML: train/test split, cross-validation, hyperparameter tuning, overfitting
Deep Learning: perceptrons, backpropagation, funções de ativação, otimizadores, funções de perda
CNN: convoluções, pooling, arquiteturas (ResNet, VGG), transfer learning
RNN/LSTM: sequências, vanishing gradient, mecanismo de atenção, Transformers
NLP: tokenization, embeddings, word2vec, BERT, fine-tuning de LLM
MLOps: versionamento (MLflow), containerização (Docker), API (FastAPI), monitoramento
Cloud: Google Cloud (Compute, Storage, BigQuery), treinamento com GPU, Vertex AI
Ética em IA: viés, explicabilidade (SHAP, LIME), equidade, LGPD/GDPR
Descubra nossos ultimos artigos e guias sobre Data Science & ML
Guia completo de feature engineering para entrevistas de data science em 2026. Encoding categorico, scaling, selecao de features, pipelines de producao e perguntas frequentes.
Comparação completa entre PyTorch e TensorFlow em 2026: desempenho, implantação, ecossistema e experiência de desenvolvimento para escolher o framework certo.
Domine os tres pilares do ecossistema Python para ciencia de dados: NumPy para computacao vetorizada, Pandas para manipulacao de dados e Scikit-Learn para machine learning com pipelines reproduziveis.