MÓDULO I
Lógica de programação.
Introdução à linguagem Python.
Manipulação de dados com DataFrames, JSON, visualização de dados e princípios de ETL.
Estrutura de consultas SQL, subconsultas, funções de janela e operações de união de tabelas.
Aprendizado supervisionado e não supervisionado, algoritmos baseados em árvores e técnicas de agrupamento.
Medidas de dispersão, associações entre variáveis, probabilidade, inferência estatística e identificação de outliers.
Etapas de um projeto de ciência de dados, engenharia de atributos, treinamento de algoritmos de machine learning e interpretação de erros.

MÓDULO II
Introdução ao versionamento de código com Git.
Fundamentos do versionamento.
Gerenciamento de ambientes virtuais com pyenv e IDEs.
Boas práticas para desenvolvimento e versionamento.
Modelos de negócio.
Métricas para análise de modelos de negócio.
Projeto profissional em ciência de dados.
Análise descritiva e exploratória dos dados.
Treinamento e ajuste de parâmetros de algoritmos de regressão.
Métricas de avaliação para modelos multi-classes.
Treinamento e ajustes de algoritmos para dados desbalanceados.
Publicação do modelo em produção.

MÓDULO III
Introdução à computação em nuvem na AWS.
Serviços da Cloud AWS e Sagemaker.
Introdução ao conceito de MLOps.
Uso do MLFlow para gestão de modelos.
Desenvolvimento, experimentação e publicação de modelos.
Monitoramento de desempenho em produção.
Aplicação do método SHAP para interpretabilidade de modelos.
Implementação de modelos com Regressão Logística, XGBoost e Árvores Aleatórias.
Métricas de desempenho (Curva ROC, Precisão e Recall).
Publicação de modelos em produção com Docker e Streamlit.
Técnicas de clusterização e análise exploratória.
Treinamento e ajuste de parâmetros em algoritmos de clusterização.
Introdução à Cloud GCP e seus serviços para ciência de dados.
Desenvolvimento de projetos de dados e transformação em produtos.
Fluxo de integração e entrega contínua (CI/CD) com Github Actions.
Consumo de modelos de machine learning no Looker.