Objetivo Geral

Desenvolver competências sólidas em ciência de dados e Machine Learning utilizando Python, com foco na aplicação prática de algoritmos, análise exploratória de dados e construção de modelos preditivos, visando preparação para projetos acadêmicos, profissionais e de pesquisa na área de Inteligência Artificial.

Descrição do Plano de Estudo

Este plano de estudos foi estruturado com base na trilha formativa da plataforma Alura e tem como foco principal o desenvolvimento das seguintes competências:

• Programação em Python aplicada à análise de dados

• Manipulação de dados com bibliotecas como Pandas, NumPy e Matplotlib

• Fundamentos e aplicações de Machine Learning supervisionado e não supervisionado

• Construção, avaliação e otimização de modelos de classificação e regressão

• Aplicações práticas de algoritmos de aprendizado de máquina em contextos reais

O plano é composto pelos seguintes cursos:

Python para Data Science

• Fundamentos da linguagem Python

• Manipulação e visualização de dados com Pandas e Matplotlib

• Análise exploratória de dados (EDA)

Avançando em Data Science com Python

• Trabalhando com data sets reais e grandes volumes de dados

• Tratamento de dados ausentes e categóricos

• Introdução à modelagem preditiva com foco em pipelines

Machine Learning, na Prática: Fundamentos e Aplicações

• Fundamentos de aprendizado supervisionado

• Avaliação de modelos (precisão, recall, F1-score)

• Aplicações reais de ML em ambientes controlados

Machine Learning com Python: Classificação

• Implementação de modelos de classificação (KNN, Naive Bayes, SVM, Árvores de Decisão)

• Análise de desempenho e métricas

• Uso de bibliotecas como scikit-learn

Machine Learning com Python: Regressão

• Construção de modelos de regressão linear e polinomial

• Ajuste de curvas, análise de resíduos e validação cruzada

• Aplicações em séries temporais e predição de valores contínuos

Machine Learning Avançada

• Aprendizado não supervisionado (Clustering, PCA)

• Hiper parametrização e otimização com GridSearchCV

• Introdução a técnicas de ensemble (Random Forest, Gradient Boosting)

Objetivos Específicos

• Dominar a linguagem Python voltada para análise de dados

• Compreender e aplicar os principais algoritmos de ML supervisionado e não supervisionado

• Desenvolver habilidades para limpeza, transformação e visualização de dados

• Capacitar-se para realizar projetos completos de ciência de dados