Bootcamp Machine Learning
Objetivo
O objetivo principal do Bootcamp de Machine Learning é capacitar os alunos com habilidades
fundamentais em aprendizado de máquina, incluindo uma compreensão dos algoritmos de
aprendizado de máquina, técnicas avançadas de aprendizado de máquina, redes neurais e
aprendizado profundo, e operações de machine learning (MLOps). O curso também visa
desenvolver habilidades de gerenciamento de projetos em machine learning, permitindo aos
alunos implementarem efetivamente soluções de machine learning em ambientes de produção.
Pré-requisitos
Os pré-requisitos para o curso incluem uma compreensão básica de programação e estatística, e
alguma familiaridade com a linguagem de programação Python. Além disso, os alunos devem ter
uma compreensão básica de ciência de dados e análise de dados. Embora a experiência prévia com
machine learning seja útil, o curso também é adequado para aqueles com experiência limitada,
desde que estejam dispostos a aprender.
Competências desenvolvidas no Bootcamp
● Compreender os fundamentos e algoritmos de machine learning.
● Aplicar técnicas avançadas de machine learning para resolver problemas complexos.
● Implementar redes neurais e técnicas de aprendizado profundo.
● Gerenciar o ciclo de vida de desenvolvimento e implantação de modelos de machine
learning.
● Desenvolver projetos práticos de machine learning, aplicando o conhecimento adquirido ao
longo do bootcamp.
Perfil formado pelo curso
Habilite-se para atuar como um(a) Engenheiro(a) de Machine Learning, capaz de desenvolver,
implementar e gerenciar soluções de machine learning para resolver problemas complexos em
uma variedade de domínios.
Ementa
Módulo 1: Fundamentos de Machine Learning
Este módulo tem como objetivo introduzir os alunos ao campo do aprendizado de máquina. Os
alunos aprenderão sobre uma visão geral do aprendizado de máquina, aprendizado
supervisionado e não supervisionado, e uma introdução a algoritmos comuns como regressão
linear, árvores de decisão e k-nearest neighbors.
Tópicos de conteúdo
• Visão geral do aprendizado de máquina.
• Aprendizado supervisionado vs. Não supervisionado.
• Regressão linear e logística.
• Árvores de decisão.
• k-nearest neighbors.
• Support Vector Machines.
• Ensemble Methods: Bagging, Boosting.
• Avaliação de modelos de machine learning.
• Overfitting, underfitting e regularização.
• Introdução ao aprendizado profundo.
Diretrizes para o Trabalho Prático
Os alunos podem ser orientados a implementar e avaliar modelos de aprendizado de máquina
usando um conjunto de dados. Eles podem ser solicitados a experimentar diferentes algoritmos,
avaliar o desempenho do modelo usando métricas apropriadas e ajustar os parâmetros do modelo
para melhorar o desempenho.
Diretrizes para o Desafio
Para o desafio, os alunos podem ser solicitados a aplicar o que aprenderam em um projeto de
machine learning do início ao fim. Isso pode envolver a escolha de um conjunto de dados, a
implementação de vários algoritmos de aprendizado de máquina, a avaliação e comparação do
desempenho dos modelos e a apresentação de seus resultados de maneira clara e eficaz.
Módulo 2: Técnicas Avançadas para Machine Learning
Este módulo tem como objetivo aprofundar o conhecimento dos alunos em técnicas avançadas de
machine learning. Os alunos aprenderão sobre algoritmos avançados, como redes neurais
artificiais, aprendizado por reforço e aprendizado de máquina com Spark. Além disso, eles serão
introduzidos a técnicas de otimização de hiperparâmetros e validação cruzada.
Tópicos de conteúdo
• Redes neurais artificiais.
• Aprendizado por reforço.
• Ensemble methods.
• Machine learning com spark.
• Otimização de hiperparâmetros.
• Validação cruzada (tipos e aplicações).
• Algoritmos de agrupamento (som, dbscan).
• Algoritmos de recomendação.
• Introdução ao aprendizado profundo.
Diretrizes para o Trabalho Prático
Os alunos podem ser orientados a implementar e avaliar modelos de aprendizado de máquina
avançados usando um conjunto de dados. Eles podem ser solicitados a experimentar diferentes
algoritmos, como redes neurais e algoritmos de agrupamento, e a usar o Spark para treinar
modelos de machine learning em grandes conjuntos de dados.
Diretrizes para o Desafio
Para o desafio, os alunos podem ser solicitados a aplicar o que aprenderam em um projeto de
machine learning do início ao fim. Isso pode envolver a escolha de um conjunto de dados, a
implementação de vários algoritmos de aprendizado de máquina avançados, a avaliação e
comparação do desempenho dos modelos e a apresentação de seus resultados de maneira clara e
eficaz. Além disso, eles podem ser desafiados a usar o Spark para treinar seus modelos em um
conjunto de dados grande.
Módulo 3: Redes Neurais e Aprendizado Profundo
Este módulo tem como objetivo introduzir os alunos ao campo do aprendizado profundo. Os
alunos aprenderão sobre os fundamentos das redes neurais, como treinar redes neurais usando
backpropagation, e serão introduzidos a diferentes tipos de redes neurais, como redes neurais
convolucionais, redes neurais recorrentes e Transformers.
Tópicos de conteúdo
• Fundamentos de redes neurais.
• Backpropagation e otimização.
• Redes Neurais Convolucionais (CNNs).
• Redes Neurais Recorrentes (RNNs).
• Long Short-Term Memory (LSTM).
• Transformers.
• Transfer learning.
• Autoencoders.
• Generative Adversarial Networks (GANs).
• Aplicações de aprendizado profundo.
Diretrizes para o Trabalho Prático
Os alunos podem ser orientados a implementar e treinar redes neurais usando conjuntos de dados.
Eles podem ser solicitados a experimentar diferentes tipos de redes neurais, como CNNs, RNNs e
Transformers, e a usar técnicas como transfer learning para melhorar o desempenho de seus
modelos.
Diretrizes para o Desafio
Para o desafio, os alunos podem ser solicitados a aplicar o que aprenderam em um projeto de
aprendizado profundo do início ao fim. Isso pode envolver a escolha de um conjunto de dados, a
implementação e treinamento de uma rede neural, a avaliação do desempenho do modelo e a
apresentação de seus resultados de maneira clara e eficaz. Além disso, eles podem ser desafiados a
usar técnicas avançadas, como transfer learning, Transformers ou GANs, em seus projetos.
Módulo 4: MLOps e Gerenciamento de Projetos em Machine Learning
Este módulo tem como objetivo ensinar aos alunos sobre MLOps (Machine Learning Operations) e
gerenciamento de projetos em machine learning. Os alunos aprenderão sobre o ciclo de vida de
desenvolvimento e implantação de modelos de machine learning, incluindo treinamento,
validação, implantação, monitoramento e manutenção de modelos.
Tópicos de conteúdo
• Introdução ao MLOps.
• Ciclo de vida de desenvolvimento de modelos de machine learning.
• Treinamento e validação de modelos.
• Implantação de modelos de machine learning.
• Monitoramento e manutenção de modelos.
• Gerenciamento de projetos em machine learning.
• Trabalho em equipe e colaboração em projetos de machine learning.
• Ética e responsabilidade em machine learning.
Diretrizes para o Trabalho Prático
Os alunos podem ser orientados a trabalhar em um projeto de machine learning do início ao fim,
aplicando princípios de MLOps. Eles podem ser solicitados a treinar e validar um modelo,
implantá-lo em um ambiente de produção, monitorar seu desempenho e fazer ajustes conforme
necessário.
Diretrizes para o Desafio
Para o desafio, os alunos podem ser solicitados a aplicar o que aprenderam em um projeto de
machine learning do início ao fim. Isso pode envolver a escolha de um conjunto de dados, a
implementação e treinamento de um modelo de machine learning, a implantação do modelo em
um ambiente de produção, o monitoramento do desempenho do modelo e a realização de ajustes
conforme necessário. Além disso, eles podem ser desafiados a trabalhar em equipe e a considerar
questões éticas e de responsabilidade em seu projeto.
Recomendações para aprofundamento do conteúdo
● Blogs e sites de machine learning, como Towards Data Science, KDnuggets e Machine
Learning Mastery.
● Tutoriais e documentação para bibliotecas Python, como scikit-learn, TensorFlow e PyTorch.
● Competições de machine learning, como as oferecidas pela Kaggle.
Sugestões para o Desafio Final
Para o desafio final, os alunos podem ser solicitados a realizar um projeto completo de machine
learning, aplicando todas as habilidades aprendidas durante o bootcamp. Isso pode envolver a
escolha de um conjunto de dados, a implementação de vários algoritmos de machine learning, a
avaliação e comparação do desempenho dos modelos, a implantação do modelo em um ambiente
de produção, o monitoramento do desempenho do modelo e a realização de ajustes conforme
necessário.
Bibliografia básica
CHOLLET, F.. Deep Learning with Python. Shelter Island: Manning Publications, 2017.
GÉRON, A.. Mãos à Obra – Aprendizado de Máquina com Scikit-Learn & TensorFlow: Conceitos,
ferramentas e técnicas para a construção de sistemas inteligentes. São Paulo: Alta Books, 2019.
GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A.. Deep Learning. Cambridge: MIT Press, 2016.
SUTTON, R. S.; BARTO, A. G. Reinforcement Learning: An Introduction. 2. ed. Cambridge: MIT
Press, 2018.
Bibliografia complementar
BISHOP, C. M. Pattern Recognition and Machine Learning. Nova York: Springer, 2006.
MURPHY, K. P. Machine Learning: A Probabilistic Perspective. Cambridge: MIT Press, 2012.
RUSSELL, S.; NORVIG, P.. Artificial Intelligence: A Modern Approach. 4. ed. Harlow: Pearson, 2020.
ZHANG, A. et al. Dive into Deep Learning. Cambridge: Cambridge University Press, 2020.