📘 Sobre o Curso

Este curso foi cuidadosamente desenvolvido para te guiar passo a passo em todo o processo de criação, validação, ajuste e implementação de modelos de Machine Learning, com foco total na aplicação prática e no desenvolvimento de projetos prontos para produção. Ao longo das aulas, você vai aprender muito mais do que simplesmente treinar modelos: vai entender como construir soluções robustas, eficientes e alinhadas com as melhores práticas do mercado, partindo desde a leitura e tratamento dos dados até a exportação do pipeline final para uso em aplicações reais. Exploraremos juntos as principais etapas do ciclo de vida de um projeto de Machine Learning. Você verá como aplicar validação cruzada com o StratifiedKFold, garantindo uma avaliação mais confiável e representativa dos seus modelos, principalmente quando se trabalha com bases de dados desbalanceadas. Para esses casos, vamos também abordar o uso do SMOTE (Synthetic Minority Over-sampling Technique), uma técnica fundamental para o balanceamento das classes. Além disso, vamos mergulhar em técnicas de seleção e tunagem de hiperparâmetros usando o GridSearchCV, buscando as melhores combinações de parâmetros para extrair o máximo desempenho dos seus algoritmos. Aprenderemos também a utilizar métricas de avaliação como AUC, precisão, recall, F1-score, matriz de confusão e muito mais, para entender profundamente como seu modelo está se comportando em diferentes cenários. Você será capaz de montar um pipeline completo com o scikit-learn, incluindo etapas de pré-processamento para dados numéricos e categóricos, garantindo que todo o fluxo de tratamento e modelagem esteja automatizado e reutilizável. Trabalharemos com algoritmos amplamente utilizados, como Random Forest, Gradient Boosting, KNN, SVM e Regressão Logística. Ao final do curso, você terá um modelo treinado, validado e salvo com o joblib, pronto para ser integrado em sistemas reais.

👨‍🏫 Conheça o Instrutor

Ronald

📊 Ficha Técnica

• Idioma: PT_BR
• Total de Aulas: 0
• Tópico:
• Preço: 89.90