Programa do Curso

Introdução e Configuração do Ambiente

  • O que é AutoML e por que ele importa
  • Configurando ambientes Python e R
  • Configurando desktop remoto e ambientes de nuvem

Explorando as Funcionalidades do AutoML

  • Capacidades principais dos frameworks de AutoML
  • Otimização de hiperparâmetros e estratégias de busca
  • Interpretando saídas e logs do AutoML

Como o AutoML Seleciona Algoritmos

  • Máquinas de Gradiente Boosting (GBMs), Florestas Aleatórias, GLMs
  • Redes neurais e backends de deep learning
  • Compromissos: precisão vs. interpretabilidade vs. custo

Preparação e Pré-processamento de Dados

  • Trabalhando com dados numéricos e categóricos
  • Engenharia de características e estratégias de codificação
  • Lidando com valores ausentes e desequilíbrio de dados

AutoML para Diferentes Tipos de Dados

  • Dados tabulares (H2O AutoML, auto-sklearn, TPOT)
  • Dados de séries temporais (previsão e modelagem sequencial)
  • Tarefas de texto e NLP (classificação, análise de sentimento)
  • Classificação de imagens e visão computacional (Auto-Keras, TensorFlow, PyTorch)

Implantação e Monitoramento de Modelos

  • Exportando e implantando modelos de AutoML
  • Construindo pipelines para previsão em tempo real
  • Monitorando drift de modelo e estratégias de reentrenamento

Ensemble e Tópicos Avançados

  • Empilhamento e combinação de modelos de AutoML
  • Considerações sobre privacidade e conformidade
  • Otimização de custos para AutoML em larga escala

Solução de Problemas e Estudos de Caso

  • Erros comuns e como corrigi-los
  • Interpretando o desempenho do modelo de AutoML
  • Estudos de caso de uso na indústria

Resumo e Próximos Passos

Requisitos

  • Experiência com algoritmos de aprendizado de máquina
  • Experiência em programação Python ou R

Público-alvo

  • Analistas de dados
  • Cientistas de dados
  • Engenheiros de dados
  • Desenvolvedores
 14 Horas

Próximas Formações Provisórias

Categorias Relacionadas