Python
O Python é amplo e vai do básico aos módulos MatPlotLib, NumPy, Pandas e Django, e muito mais.
Python para Iniciantes
Python básico para iniciantes
Instalação, variáveis e tipos de dados, operações, formatação e comentários.
Listas, Tuplas, Conjuntos e Dicionários.
Declaração, argumentos, retorno, recursão, funções lambda.
Controle Condicional (if/elif/else, match) e Controle de repetição (for, while).
Classes, Herança e Polimorfismo.
Pacotes integrados, instalados e personalizados.
Manipulação de Arquivos
MySQL, SQLite e PostgreSQL.
APIs e Web Scraping
Projetos Práticos
Python Básico
Curso básico com sintaxe de variáveis com diferentes tipos de dados e operadores, comentários, blocos se, laço, funções e L3 de objetos.
sintaxe, comentários, variáveis, tipos
instalação, execução
sintaxe, semântica, variáveis, tipos de dados, blocos e recuos, comentários
números, strings, booleanos, datas, listas, tuplas, conjuntos, dicionarios, conversão
aritméticos, atribuição, comparação, lógicos, identidade, associação, bitwise
se-senão, laços, funções, classes, iteradores, escopo
Funções nativas do Python
Classes e Objetos no Python
teclado, tela, arquivo
matemática, json, regex
pip, instalação, importação
Matplotlib
Contrução de gráficos de linhas, barras, círculos, com legendas, barras e rótulos x e y, séries, customizações.
introdução, pyplot, plotagem, pacotes complementares
barra, pizza, linhas, pontos
cores, linhas, marcadores
pista, radial, bolhas
violino, densidade, histograma, caixa, cumeeira
dispersão, calor, correlograma, bolha, dispersão conectada, densidade 2d
árvore, venn, rosca, pizza, dentrograma, empacotamento circular
barras, radar, nuvem de palavras, paralelas, pirulito, barras circulares
Gráfico de dispersão 3D, GD 3D com autovetores, Cubo 3D, Distribuição Gaussiana Multivariada com superfície colorida, DGM como grade de malha, Gráfico de Barras Vertical com barras de erro, GB horizontal com barras de erro, GB back-to-back, GB agrupadas, GB empilhadas, GB com rótulos, GB com rotação, GB com gradiente de cores, preenchimento de padrão, Gráficos de Caixa (boxplot), GC preta e branca, GC, horizontal, GC cheia, GC personalizadas, GC e barra de violinos, GC simples, subplots, cores, eixo estético, rótulos personalizados, linhas de grade, folhas de estilos, mapas de calor, de cores, histogramas, e mais.
Pandas
Curso para criação, manipulação e análise de estruturas de dados, como Séries e DataFrames, a partir do carregamento de dados de diferentes fontes, como arquivos CSV, JSON e SQL, entre outros, com visualização de dados com o Pandas, utilizando bibliotecas como Matplotlib e Seaborn, e análises estatísticas básicas, como média, desvio padrão, correlação e regressão.
Django
Django proporciona a criação do ambiente web.
Estatística para Cientistas de Dados
Estatística Prática para Cientistas de Dados.
Python com ML Básico
Curso com conceitos e tecnologias para o aprendizado de máquina.
Introdução ao ML
Programação, dados, modelos, algoritmos, tipos, treinamento, teste, avaliação e Métricas, generalização, engenharia de características, viés (bias) e interpretabilidade, tamanho do conjunto de dados, hiperparâmetros
Scikit-Learn, TensorFlow, Keras, PyTorch, XGBoost, LightGBM, Pandas, Numpy, Seaborn, Matplotlib
Dados
Modelos e Algoritmos
Avaliação dos Modelos
Regressão
Classificação
Tipos
Aprendizado Supervisionado
Aprendizado Não Supervisionado
Aprendizado por Reforço
Aprendizado profundo
Python com ML Básico
Curso com conceitos e tecnologias para o aprendizado de máquina.
Introdução
Guia Rápido do Python
Aprendizado supervisionado, não supervisionado e por reforço
Modelos de Regressão e Classificação
Algoritmos de Agrupamento
Pré-processamento de dados e técnicas de engenharia de características
Métricas de avaliação para modelos de ML
Funções para pré-processamento de dados, treinamento de modelos e avaliação
Seaborn e Matplotlib para visualização
Pandas para processamento
Scikit-learn, uma biblioteca de ML em Python
Pacotes dplyr, caret e vip para R
Métodos de ensemble e redes neurais artificiais
Aplicações de aprendizado de máquina
Fundamentos matemáticos para ML
Métodos de otimização e treinamento de modelos
Problemas comuns de ML e MLOps
Ferramentas baseadas em nuvem como GCP, AWS e Microsoft Azure
Ferramentas de MLOps de código aberto como MLflow
Técnicas de ajuste de hiperparâmetros como grid search e random search
Frameworks e bibliotecas de deep learning como PyTorch e TensorFlow
Implementar soluções de ML com conjuntos de dados do mundo real
Visão computacional e Processamento de Linguagem Natural (NLP)
Arquiteturas avançadas de deep learning como RNNs e GANs
Arquiteturas de transformadores em LLMs (BERT e GPT)
Design de aprendizado por reforço e RAG
Ciclo de vida de MLOps e últimas tendências de pesquisa em ML
Provedores de nuvem e ferramentas de código aberto para ciclo de vida completo de MLOps
Frameworks de aprendizado por reforço como OpenAI Gym
Langchain e ferramentas similares para LLMs customizados
Desenvolver ou usar LLMs de repositórios como Hugging Face
Arquiteturas de deep learning com TensorFlow / PyTorch