• Avaliação do modelo e definição de métricas de avaliação.

• Bibliotecas (NumPy, Pandas, Sci-kit learn, Matplotlib): utilização, funcionamento e aplicações em machine learning

• Construção e validação de modelos: classificação, regressão, agrupamento, anomalias, separação de sinais, otimização de processos decisórios, entre outros

• Definição dos modelos de aprendizado de máquina: seleção dos cenários e tipos de previsão (classificação de texto, previsão de valor, classificação de imagens).

• Entrada de dados: padrões de identificação e análise estatística.

• Gráficos e imagens: visualização de dados em projetos de machine learning.

• Linguagem de programação para o aprendizado de máquina: C#, JavaScript, Python.

• Organização dos conjuntos de dados de amostra: rótulos e recursos.

• Programação em Python: estruturas de repetição e de condição

• Redes neurais: técnicas e principais topologias

• Treinamento do modelo: especificação de algoritmo com a linguagem de programação (C#, JavaScript, Python) e modelos pré-treinados (Tensorflow, LightGBM, Onnx).