Curso de Data Science | Mario Filho

A Melhor Maneira de Se Destacar na Entrevista de Data Science

Você já parou para pensar no que faz a diferença entre o candidato que consegue a vaga e todos os outros que não recebem sequer um e-mail de agradecimento?

Nem sempre é uma formação acadêmica extraordinária, inteligência acima da média, talento ou ambição.

A diferença está em como a pessoa sabe aplicar o conhecimento de Data Science!

Não existe nada que te destaque mais numa entrevista do que saber demonstrar o seu conhecimento através de um projeto real de Data Science, feito do início ao fim.

Não importa quantos trabalhos acadêmicos você publicou, se você pode provar teoremas sobre a complexidade dos algoritmos ou se você se formou na melhor universidade do mundo.

Se você não demonstrar que sabe resolver os desafios que a empresa enfrenta no dia a dia, você será só mais um candidato rejeitado.

E agora você tem a oportunidade única de se posicionar entre os candidatos mais atraentes do mercado.

Um Profissional Experiente te Ensina Passo a Passo

Imagine que você pudesse se sentar ao lado de um cientista de dados experiente, premiado internacionalmente, enquanto ele constrói uma solução.

Mas você não seria apenas um observador.

Ele te explica cada detalhe e a razão de cada decisão que ele tomou.

Cada vez que você fosse tomar uma decisão no futuro, você lembraria como este cientista te ensinou a resolver o problema e poderia aplicar esse aprendizado.

Foi pensando nesta experiência que eu criei este curso.

O Que é Mostrado no Curso?

Vamos criar uma solução de Data Science que busque vídeos de machine learning no Youtube, analise algumas informações e nos mostre quais deles são os mais interessantes.

Começaremos pelo problema: como achar os vídeos mais interessantes sobre machine learning sem ter que passar horas avaliando cada um manualmente?

O primeiro desafio: nós ainda não temos qualquer conjunto de dados para começar a modelar, então criaremos coletores de dados para conseguir as primeiras informações.

Depois disso vamos criar os extratores e as funções para transformar os dados brutos em algo que possamos usar nos modelos.

Agora temos dados limpos, mas ainda não podemos começar a modelagem… Não temos um alvo para prever!

Precisamos criar nosso alvo, então vamos anotar os dados para que o modelo possa aprender a separar os vídeos mais interessantes.

E já que temos essa oportunidade, vou aproveitar e te ensinar a usar uma técnica extremamente útil para situações em que você precisa anotar dados, mas não tem muito tempo ou dinheiro.

Agora estamos prontos, vamos criar os modelos!

Primeiro vamos criar algumas features básicas e usar uma árvore de decisão para tentar entender melhor a relação delas com o alvo.

Depois partimos para os grandes modelos vencedores de competições, como Random Forest e LightGBM, mas sem esquecer de criar também uma Regressão Logística.

Com estes modelos otimizados, chega a hora de definir qual deles é o escolhido para ir para o ambiente de produção.

Mas eu quero te ensinar a ir além.

Vamos combinar mais de um modelo para conseguir uma solução melhor do que qualquer um deles pode nos dar sozinho.

Com todos esses experimentos feitos, vou te explicar como usar o poder de vários modelos sem tornar a solução final muito complexa.

Vamos criar um web app bem leve usando uma ferramenta chamada Flask. A mesma que é usada para servir modelos de pequenas startups até gigantes do Vale do Silício.

Para deixar nosso trabalho mais fácil na hora de colocar esse app para rodar num servidor, vamos usar uma das tecnologias mais revolucionárias dos últimos anos: contêineres com Docker.

Para finalizar, vamos subir os arquivos para a plataforma Heroku para que qualquer pessoa no mundo possa acessar nossa aplicação.

Módulos do Curso

  1. Defina o Problema

    1.1 Traduzindo a Ideia para a Linguagem da Data Science

    1.2 Como Escolher um Problema para Resolver

  2. Prepare os Dados

    2.1 Criando o Coletor da Página de Busca do Youtube

    2.2 Criando o Extrator de Dados da Página de Busca do Youtube

    2.3 Criando o Coletor de Dados da Página de Vídeo

    2.4 Criando o Extrator de Dados da Página de Vídeo

    2.5 Inspecionando os Dados Extraídos da Página de Vídeo

    2.6 Limpando e Transformando os Dados

    2.7 Criando as Primeiras Features

    2.8 Visualizando e Interpretando uma Árvore de Decisão

    2.9 Active Learning e Adicionando Features de Texto do Título

    2.10 Selecionando Exemplos para o Active Learning

  3. Crie o Modelo

    3.1 O Primeiro Modelo - Random Forest

    3.2 LightGBM e Bayesian Optimization

    3.3 Regressão Logística

    3.4 Ensemble Final

  4. Coloque em Produção

    4.1 Criando o Web App com o Flask - app.py

    4.2 Criando o Web App com o Flask - run_backend.py

    4.3 Criando o Web App com o Flask - get_data.py e ml_utils.py

    4.4 Criando o Contêiner com Docker

    4.5 Construindo e Rodando o Docker

    4.6 Enviando para o Heroku

    4.7 Analisando a Solução Final

Aprenda a Qualquer Momento, Em Qualquer Lugar, Sem Perda de Tempo

Você não precisará passar dezenas de horas assistindo vídeos para conseguir colocar seus planos em prática.

Você só precisa dedicar 15 minutos por dia, durante 20 dias, para assistir a todas as aulas do curso.

Quando se sabe exatamente o que é importante fazer num projeto, ele pode ser executado muito mais rápido.

Você pode ter acesso a todo esse material durante 1 (um) ano por apenas

12x de R$ 24,06

(ou R$ 247,00 à vista)

Um investimento de alto impacto na sua carreira por menos de um real por dia.

Quero minha vaga!

Conheça seu Professor

Meu nome é Mario Filho.

Eu trabalho como cientista de dados desde 2014.

A maior parte da minha carreira foi como freelancer, até o dia em que eu resolvi procurar um emprego “normal”, em agosto de 2017.

Me candidatei a 9 vagas de cientista de dados em startups, empresas de tecnologia e bancos. E recebi ofertas de todas elas.

Foram duas semanas intensas, com recrutadores pedindo que eu não aceitasse as ofertas dos concorrentes até que eles pudessem negociar uma proposta melhor para me oferecer.

Aceitei uma oferta e comecei a trabalhar, mas a história só estava começando…

Poucos meses depois fui contatado pela Upwork, uma empresa com sede no Vale do Silício, e eles não desistiram enquanto não aceitei trabalhar para eles.

É por isso que você pode acreditar quando eu te falo…

O que mais fez a diferença nestes processos, de longe, foi demonstrar que eu sabia pegar um problema e criar uma solução de Data Science para resolvê-lo em pouco tempo.

Sem Risco para Você

Se você ainda estiver em dúvida se este é o curso certo, quero te oferecer uma garantia.

Você tem os primeiro 7 dias depois da compra para avaliar o conteúdo do curso.

Se, neste período, você decidir que não há nada de novo para aprender com ele, é só enviar um e-mail pedindo seu dinheiro de volta e eu te reembolso.

Quero minha vaga!

Perguntas Frequentes

O que preciso saber para aproveitar o curso ao máximo?

Você tem acesso ao curso por 1 (um) ano, então pode começar a ver as aulas mesmo sem atender todos os requisitos no momento.

Você deve saber o básico de Python: como definir uma função, o que é uma lista, um dicionário, loops, condições if/else, abrir e fechar arquivos.

E também conceitos básicos de machine learning como: o que é aprendizado supervisionado, split de treino e validação, treinar um modelo no scikit-learn, carregar dados com o Pandas.

Há um conteúdo extra (opcional) no curso onde faço algumas queries SQL. Para acompanhar é importante conhecer SQL básico.

Vou receber um certificado?

Sim. Para reconhecer seu esforço, ao final do curso você receberá um certificado como prova do seu novo conhecimento e poderá compartilhá-lo nas redes sociais.

As aulas são gravadas?

Sim. Todas as aulas estão disponíveis para assistir imediatamente após comprar.

Você vai ensinar usando código?

Sim. O curso é baseado totalmente na criação de uma solução em Python.