Trilha Cientista de Dados

O cientista de dados vai além do que aconteceu: constrói modelos que preveem o que vai acontecer e sistemas de IA que agem sobre isso. Esta trilha assume a base de análise consolidada e adiciona Machine Learning, deploy de modelos com casos reais da indústria e do agro, e a fronteira dos agentes de IA.

Para quem é

• Analistas de dados que querem dar o próximo passo na carreira
• Quem concluiu a Trilha Analista de Dados (ou domina o equivalente)
• Profissionais técnicos que querem migrar para Machine Learning e IA aplicada

Pré-requisitos

Recomendamos concluir antes a Trilha Analista de Dados — ou dominar o equivalente: SQL, análise exploratória e estatística básica. Lógica de programação ajuda; os cursos constroem o Python necessário no caminho.

Etapas

• fundamentos-ml: Os quatro pilares que todo cientista usa a vida inteira: regressão, classificação, clustering e avaliação de modelos — explicados sem matemática intimidadora. Você treina e avalia seus primeiros modelos e sabe dizer quando um modelo é bom (e quando engana).
• ia-na-pratica: O salto profissional: pegar um problema real — da indústria, do agro, da logística — e levá-lo do dado bruto ao modelo publicado, com as decisões de engenharia que o mercado cobra. Você constrói um projeto de IA de ponta a ponta e publica um modelo funcionando.
• agentes-ia: A fronteira atual da profissão: LLMs, RAG, MCP e agentes que decidem e agem. É o que separa quem acompanha a área de quem constrói o que vem a seguir. Você projeta e constrói agentes de IA integrados a APIs e fontes de dados reais.

Competências desenvolvidas

• Formular problemas de negócio como problemas de Machine Learning
• Treinar, avaliar e comparar modelos com metodologia correta
• Levar modelos do notebook à produção (deploy e monitoramento)
• Construir aplicações com LLMs, RAG e agentes de IA
• Estimar custo, risco e impacto de uma solução de IA

Ferramentas

• Python
• scikit-learn
• Google Colab
• Gradio
• LLMs e APIs de IA

Rotina de quem atua nesta função

• Transformar uma pergunta de negócio em experimento mensurável
• Treinar modelos e defender por que o baseline simples perdeu (ou ganhou)
• Publicar modelos e vigiar drift, custo e qualidade em produção
• Prototipar soluções com IA generativa e avaliar se valem o custo

Posicionamento honesto

Esta trilha certifica competências demonstradas nos cursos e projetos — ela não garante emprego nem senioridade. Ciência de dados se aprende fazendo: o diferencial no mercado será o portfólio que você constrói ao longo das etapas.

Giselle Falcão, PhD — Consultora e pesquisadora em Inteligência Artificial e Ciência de Dados.