Cursos de Ciência de Dados
Ciência de Dados é o campo que transforma dados brutos em insights significativos e decisões inteligentes. Nesta categoria, você aprenderá a coletar, processar, analisar, visualizar e modelar dados utilizando ferramentas como Python, SQL, aprendizado de máquina e plataformas de BI — preparando-o para desafios reais orientados por dados.
4.5
Avaliado com base em 463 avaliações.
7,152 AprendizesJá matriculado
Habilidades adquiridas:
A/B Test DesignAI Transparency AwarenessARIMA ModelingAbordagens de Detecção de ObjetosActivation Function AnalysisActive Learning FundamentalsAdaptive AlgorithmsAdvanced ARIMA TechniquesAdvanced Ensemble IntegrationAdvanced Text CleaningAdversarial Training ConceptsAjuste de HiperparâmetrosAlgorithm Evaluation and ComparisonAlgoritmos Multi-Armed BanditAlgoritmos genéticosAlignment and Generalization RisksAnalyzing GAN Training ChallengesAnomaly detection evaluation Análise de Justiça e ViésAnálise de SériesAnálise de componentes principais (PCA)Aplicação de RNNs em tarefas de PLN (análise de sentimento)Applied Calibration WorkflowsApproximate InferenceApproximate ReasoningApproximation TheoryAprendizado de Máquina com scikit-learnAprendizado por Diferença TemporalAttention Mechanisms TheoryAutomated Search with scikit-learnAutoregressive GenerationAvaliação de PromptsBackward Difference CodingBagging and Random ForestsBayesian NetworksBayesian OptimizationBernoulli DistributionBias–Variance Trade-offs in High DimensionsBias–Variance TradeoffBoosting AlgorithmsCalibration Metrics (ECE, MCE, Brier Score)Caminhadas Aleatórias em GrafosCatBoost ModelingCatastrophic Forgetting AnalysisCategorical Feature HandlingChi-Square AnalysisClassification Loss AnalysisClassification metrics (Accuracy, Precision, Recall, F1, ROC–AUC) Classificação de NósCloud Compute PatternsCloud Data Science WorkflowsCloud Mental ModelsCloud Networking ConceptsCloud Storage ArchitecturesClustering evaluation (Silhouette, Davies–Bouldin, Calinski–Harabasz) Clusterização hierárquica e dendrogramasCodificação de featuresCoefficient VisualizationCommittee-Based QueryingCompactness and ConvergenceCompreensão da Arquitetura TransformerCompreensão de RNNs, LSTMs e GRUsCompression Trade-off ReasoningConceitos de Atenção Multi-CabeçaConceitos de GraphSAGEConceitos de Privacidade de DadosConcentration of MeasureConditional IndependenceConjugate PriorsConsciência RegulatóriaConstrução de pipelinesContinual Learning TheoryContinuity and BoundednessConvergence TheoryConvex AnalysisCoordinate Reference SystemsCorrelation AnalysisCovariância e decomposição espectralCritical Analysis of NTK LimitationsCross-validation techniquesCurse of DimensionalityDBSCAN: tratamento de ruído e formas irregularesData Access PatternsData Leakage PreventionData Preprocessing with TransformersData StorytellingData Visualization with matplotlib and seabornDecomposição de MatrizesDeduplication AlgorithmsDegrees of TruthDensity-Weighted SamplingDeployment Best PracticesDescida do GradienteDescriptive StatisticsDesenvolvimento e avaliação de modelos de ponta a pontaDesign de Saída EstruturadaDetecção de outliersDiffusion Model TheoryDimensionality reduction evaluation Distance CollapseDistribuições de ProbabilidadeDistributional Analysis of Neural NetworksDocument Chunking and IndexingDocument ClusteringDocument Similarity MeasuresDrift Detection FundamentalsEffective DocumentationEmpirical Risk MinimizationEncoding Leakage PreventionEngenharia de featuresEnsemble Learning FundamentalsEntropy and CompressionEntropy and Rate–Distortion AnalysisEscalonamento de featuresEstimator IntrospectionEstruturas de Dados em PythonEstruturas de IA ResponsávelEthical AI PrinciplesEvaluation Under Distribution ShiftExperiment Tracking with MLflowExperimental Data PreparationExplainable AI FundamentalsExploratory Data AnalysisExponential Family UnderstandingExpressivity of Neural NetworksFailure Analysis in RAGFailure Mode DiagnosisFairness in MLFeature Engineering for TSFeature ScalingFeature Selection MethodsFine-tuning Pre-trained ModelsForecast Evaluation MetricsForecasting StrategiesFormal Preference ModelingFunctional Analysis FoundationsFunctional Analysis in MLFundamentos Matemáticos da AtençãoFundamentos de Aprendizado por ReforçoFundamentos de Engenharia de PromptsFundamentos de Ética em IAFundamentos do TensorFlowFundamentos e algoritmos de clusterizaçãoFunções e ConjuntosFuzzy If–Then RulesFuzzy Inference SystemsFuzzy Logical OperatorsFuzzy Matching in PythonFuzzy SetsGAN FundamentalsGANsGaussian DistributionGaussian Process CorrespondenceGeneralization BoundsGeneralization in Learning TheoryGenerative Model ConnectionsGeometric Implications for ML AlgorithmsGeometric InterpretabilityGeometric Intuition in High DimensionsGeospatial Data FundamentalsGeospatial VisualizationGradient Boosting for TSGradient DescentGraph LaplaciansGraph Representation in PythonHelmert CodingHigh-Cardinality Feature EncodingHigh-Dimensional Data InterpretationHigh-Dimensional Geometry IntuitionHigh-Dimensional Statistical TheoryHilbert Spaces in LearningHistogram BinningHybrid Rule-Based SystemsHyperparameter TuningHyperparameter Tuning FundamentalsHypothesis TestingIA GenerativaIdentity and Access ManagementImplementação de redes recorrentes em PyTorchImplicit Bias in Machine LearningImplicit Regularization in Deep NetworksImportance SamplingImputação de valores ausentesIn-Context Learning TheoryInductive BiasInductive Bias ReasoningInfinite-Width Neural Network TheoryInformation Bottleneck and MDLInformation Theory BasicsInformation Theory in NLPInformation-Theoretic LossesIntegraisInteligência de enxameInteroperabilidade de DadosInterpreting Generalization BoundsIntuição de Embedding em GrafosIntuição sobre AutoatençãoIsolation Forest ImplementationIsotonic RegressionJupyter Notebook ProficiencyK-Means: princípios e otimização de clustersKernel MethodsKernel Regression DynamicsKernel-based RegularizationKnowledge Distillation TheoryKnowledge Graph Embedding ModelsKnowledge Graph FundamentalsKnowledge Integration in LLMsKolmogorov–Smirnov TestL1, L2, and Elastic Net RegularizationLLM Failure ModesLabel Efficiency TechniquesLarge-Width Limit TheoryLatent Space GeometryLatent Space ReasoningLayer-wise Representation AnalysisLearning Curve AnalysisLeave-One-Out EncodingLightGBM ModelingLikelihood vs ProbabilityLimites e DerivadasLimits of LLM GeneralizationLimpeza de dadosLinear Algebra FoundationsLinear Algebra for Deep LearningLink PredictionLocal Outlier Factor AnalysisLoss Function Selection and ComparisonLow-Rank Matrix IntuitionMLOps FundamentalsManifold IntuitionManipulação de Linguagem NaturalManual Search MethodsMarkov Chain Monte CarloMarkov Chains in Generative ModelingMarkov Random FieldsMathematical Formulation of GANsMathematical Foundations of Loss FunctionsMathematical OptimizationMaximum-Margin SolutionsMean Field Theory in Neural NetworksMean-CenteringMedidas EstatísticasMembership FunctionsMinimum-Norm SolutionsModel BlendingModel Deployment with FastAPI and DockerModel Evaluation and DiagnosticsModel Evaluation and GeneralizationModel InterpretabilityModel InterpretationModel Monitoring and CI/CDModel RegularizationModel Scaling ConceptsModel Selection UtilitiesModel-Based Drift DetectionModelo de Dados ArrowModelos de Classificação em PythonModelos de DifusãoModelos de Mistura Gaussiana: clusterização probabilísticaMomentum MethodsMonitoring Model DegradationMonte Carlo IntuitionMultinomial DistributionMultivariate AnalysisMétodos de Programação DinâmicaMétricas de Avaliação para IA GenerativaNeural Network Architecture AnalysisNeural Network Compression TheoryNeural Network TheoryNeural Tangent Kernel FormalismNeuroevoluçãoNormalization (L1, L2, Max)Normalização de dados e métricas de distânciaNormed and Banach SpacesNoções Básicas de GymnasiumNoções básicas de PyTorchODE Formulations in Generative ModelsOffline vs Online Evaluation ReasoningOne-Class SVM for Novelty DetectionOperator TheoryOptimization Constraints in Fine-TuningOptimization Dynamics in RLHFOptimization in Neural NetworksOtimização evolutivaOtimização por enxame de partículasOutlier Detection FundamentalsOverfitting and RegularizationPAC Generalization BoundsPEFT Deployment ReasoningPEFT TheoryPGM Inference and LearningParameter Space GeometryPattern MiningPipeline Automation with AirflowPipeline CompositionPipeline ConstructionPlatt ScalingPolynomial CodingPontuação de Similaridade para GrafosPopulation Stability IndexPositional Encoding ConceptsPositive Definite KernelsPredição de LigaçõesPreprocessing PipelinesPrincipal Component Analysis TheoryPrincípios de TransparênciaProbabilistic Graphical ModelsProbabilistic Model CalibrationProbability Distributions IntuitionProbability in Loss FunctionsProcessamento de Imagens com OpenCVProcessamento de Linguagem NaturalProcessamento de séries temporais e dados sequenciaisProgramação em PythonPrompt-Based GeneralizationPrompting com Poucos ExemplosPrompting de Papel e ContextoPrompting em Cadeia de PensamentoPré-processamento de DadosQuantization and Pruning MathematicsRAG Evaluation MetricsRAG Pipeline ArchitectureRAG System Design PatternsRIPPER AlgorithmRKHS FoundationsRademacher ComplexityReasoning over Knowledge GraphsRecord Linkage TechniquesRedes NeuraisRedes Neurais ConvolucionaisRedes neuraisRedução de dimensionalidadeRefinamento de PromptsRegras de ProbabilidadeRegression Loss AnalysisRegression metrics (MSE, RMSE, MAE, R²) Regressão Linear com PythonRegressão LogísticaRegularization and Inductive BiasReliability DiagramsRepresentação de Dados ColunarRepresentação de Grafos em PythonRepresenter TheoremReproducibility in ML WorkflowsReproducible Analysis HabitsReproducing PropertyResponsabilidade em IARetrieval-Augmented Generation FundamentalsReward Model TheoryRisk Minimization TheoryRobust Model AssessmentRule PruningRule Quality MetricsRule-Based ModelingRuleFit AlgorithmSampling StrategiesSampling Strategies in MLScore MatchingSeleção de featuresSelf-Attention MechanismSemantic Directions in LLMsSemantic Retrieval ConceptsServerless and Event-Driven DesignSistemas imunes artificiaisSparsity and Effective DimensionalitySpatial Joins and OverlaysSpatial OperationsSpectral Graph TheorySpectral TheoryStability–Plasticity Trade-OffsStandardizationStatistical Anomaly DetectionStatistical Drift MetricsStatistical InterpretationStochastic Differential Equations (SDEs)Stochastic OptimizationStress Testing ML ModelsSubword Tokenization AlgorithmsTF-IDF WeightingTemporal ValidationTeorema de BayesTeoria dos Grafos para MLTeoria dos Mecanismos de AtençãoTheoretical Deep Learning InsightsTheoretical Foundations of Zero-Shot GeneralizationTheoretical Limits of LearningTheoretical OverfittingTime Series AnalysisTime Series WindowingTokenization TheoryTomada de Decisão ÉticaTrade-off Analysis in Model DesignTraining Dynamics in Mean Field RegimesTransfer Learning FundamentalsTransfer Learning in CVTransfer Learning in NLPTransformação de dadosTransformações LinearesTransformer Architecture TheoryTransformersTratamento de Nulos no ArrowTratamento de dados ausentes e categóricosTree-Based ForecastingTreinamento e Avaliação de ModelosTreinamento e avaliação de modelosTriple Scoring FunctionsTécnicas de Monte CarloUncertainty-Based QueryingUnderstanding GAN VariantsUnderstanding Representation CollapseUniform ConvergenceUso da API PyArrowVAEsVC DimensionVariational Inference & ELBOVector Search TheoryVector Space ModelingVector and Raster Data HandlingVetores e MatrizesVocabulary OptimizationWeight-of-Evidence EncodingWhitening and DecorrelationWorkflow AutomationXAI Methods and ConceptsXGBoost Modelingscikit-learn API Usagescikit-learn Active Learning Implementationt-Norms and t-Conormst-test and z-test Application
Mostrar MaisFaça um pequeno teste e aproxime-se dos seus objetivos!
80,000
Estudantes já concluíram com sucesso os cursos e estão aplicando suas habilidades no local de trabalho
92%
Usuários acham nossos cursos úteis
Cursos
Cursos
Navegar Ciência de Dados cursos e projetos
4 horas
25 capítulos
4 horas 32 capítulos
5 horas 29 capítulos
2 horas 16 capítulos
2 horas 19 capítulos
3 horas 24 capítulos
4 horas 34 capítulos
3 horas 22 capítulos
1 hora 9 capítulos
5 horas 51 capítulos
1 hora 12 capítulos
3 horas 20 capítulos
Nível
Tipo de lição
Tecnologias
curso
Introdução às Redes Neurais com Python
4 horas 25 capítulosAvançado
6 ESTUDANDO AGORA
Habilidades adquiridas: Redes Neurais, Treinamento e Avaliação de Modelos, Pré-processamento de Dados, Ajuste de Hiperparâmetros, Aprendizado de Máquina com scikit-learn
curso
Introdução ao Aprendizado de Máquina com Python
4 horas 32 capítulosIntermediário
15 ESTUDANDO AGORA
Habilidades adquiridas: Aprendizado de Máquina com scikit-learn, Treinamento e Avaliação de Modelos, Ajuste de Hiperparâmetros
curso
Introdução ao PLN com Python
5 horas 29 capítulosAvançado
1 ESTUDANDO AGORA
Habilidades adquiridas: Processamento de Linguagem Natural, Manipulação de Linguagem Natural
curso
Introdução ao TensorFlow
2 horas 16 capítulosIntermediário
3 ESTUDANDO AGORA
Habilidades adquiridas: Fundamentos do TensorFlow, Redes Neurais, Estruturas de Dados em Python, Pré-processamento de Dados
curso
Regressão Linear com Python
2 horas 19 capítulosIntermediário
5 ESTUDANDO AGORA
Habilidades adquiridas: Regressão Linear com Python, Treinamento e Avaliação de Modelos
curso
Classificação com Python
3 horas 24 capítulosIntermediário
3 ESTUDANDO AGORA
Habilidades adquiridas: Programação em Python, Modelos de Classificação em Python, Regressão Logística, Pré-processamento de Dados, Treinamento e Avaliação de Modelos, Ajuste de Hiperparâmetros
curso
Análise de Clusters com Python
4 horas 34 capítulosIntermediário
3 ESTUDANDO AGORA
Habilidades adquiridas: Fundamentos e algoritmos de clusterização, Tratamento de dados ausentes e categóricos, Normalização de dados e métricas de distância, K-Means: princípios e otimização de clusters, Clusterização hierárquica e dendrogramas, DBSCAN: tratamento de ruído e formas irregulares, Modelos de Mistura Gaussiana: clusterização probabilística
curso
Redes Neurais Recorrentes com Python
3 horas 22 capítulosIntermediário
Habilidades adquiridas: Compreensão de RNNs, LSTMs e GRUs, Implementação de redes recorrentes em PyTorch, Processamento de séries temporais e dados sequenciais, Aplicação de RNNs em tarefas de PLN (análise de sentimento), Desenvolvimento e avaliação de modelos de ponta a ponta
curso
Noções Básicas de Engenharia de Prompts
1 hora 9 capítulosIniciante
9 ESTUDANDO AGORA
Habilidades adquiridas: Fundamentos de Engenharia de Prompts, Prompting de Papel e Contexto, Prompting com Poucos Exemplos, Prompting em Cadeia de Pensamento, Design de Saída Estruturada, Refinamento de Prompts, Avaliação de Prompts
curso
Matemática para Ciência de Dados
5 horas 51 capítulosIniciante
13 ESTUDANDO AGORA
Habilidades adquiridas: Funções e Conjuntos, Análise de Séries, Limites e Derivadas, Integrais, Descida do Gradiente, Vetores e Matrizes, Transformações Lineares, Decomposição de Matrizes, Regras de Probabilidade, Teorema de Bayes, Medidas Estatísticas, Distribuições de Probabilidade
curso
Pré-Processamento de Dados e Engenharia de Features
1 hora 12 capítulosIniciante
3 ESTUDANDO AGORA
Habilidades adquiridas: Limpeza de dados, Imputação de valores ausentes, Detecção de outliers, Codificação de features, Escalonamento de features, Transformação de dados, Engenharia de features, Seleção de features, Construção de pipelines
curso
Conceitos Essenciais de PyTorch
3 horas 20 capítulosAvançado
1 ESTUDANDO AGORA
Habilidades adquiridas: Noções básicas de PyTorch, Redes neurais, Treinamento e avaliação de modelos
Vantagens do Codefinity
Aprendizado assistido por IA
Abrace a fascinação das habilidades tecnológicas! Nosso assistente de IA fornece feedback em tempo real, dicas personalizadas e explicações de erros, capacitando você a aprender com confiança.
Espaços de trabalho
Com os Espaços de Trabalho, você pode criar e compartilhar projetos diretamente em nossa plataforma. Preparamos modelos para sua conveniência
Trilhas de aprendizado
Assuma o controle do desenvolvimento de sua carreira e comece seu caminho para dominar as tecnologias mais recentes
Projetos do mundo real
Projetos do mundo real elevam seu portfólio, mostrando habilidades práticas para impressionar potenciais empregadores
Por que o Codefinity se destaca
Conteúdo em vídeo
Materiais para download
Certificados renomados
Ambiente de aprendizado interativo
Correção de erros
Assistente de IA
Acesso a todo o conteúdo com uma assinatura
Codefinity
Plataformas de aprendizado por vídeo
Codefinity
Plataformas de aprendizado por vídeo
Conteúdo em vídeo
Materiais para download
Certificados renomados
Ambiente de aprendizado interativo
Correção de erros
Assistente de IA
Acesso a todo o conteúdo com uma assinatura
Oportunidades de carreiraSaiba mais sobre as profissões mais populares, salários médios e empresas que buscam ativamente especialistas nesta área.
Cientista de Dados
Analista de Big Data
Engenheiro de PLN
Engenheiro de Deep Learning
Pesquisador de IA
$149k
$197k
$246k
Min
Average
Max
Salário anual
(Média nos EUA)
Empresas contratantes
*Fonte: Glassdoor
Escolhido por estudantes das melhores escolas
Incluindo 30 de 30 melhores faculdades dos EUA
Cursos de Ciência de Dados: Informações e Perguntas Principais
Introdução aos Cursos de Ciência de Dados
Oferecemos uma ampla variedade de cursos para todos os aspectos da ciência de dados, incluindo visualização de dados (como "Visualização definitiva com Python"), manipulação de dados com Python (como "Ultimate NumPy" ou "Técnicas Avançadas em pandas"), SQL (como "Introdução ao SQL") e aprendizado de máquina (como "Introdução ao ML com scikit-learn" ou "Introdução a Redes Neurais").
Benefícios dos nossos cursos de Ciência de Dados
Oferecemos aos nossos clientes um currículo abrangente, experiência prática e instrutores especialistas.
Oportunidades de carreira após a conclusão dos cursos de Ciência de Dados
Após concluir o curso de ciência de dados, você poderá iniciar carreira em diversas posições orientadas por dados, incluindo cientista de dados, analista de dados, analista de aprendizado de máquina, analista de inteligência de negócios, engenheiro de dados, entre outros.
Opções em Ciência de Dados
Oferecemos uma ampla variedade de cursos para todos os aspectos da ciência de dados, incluindo visualização de dados (como "Visualização definitiva com Python"), manipulação de dados com Python (como "Ultimate NumPy" ou "Técnicas Avançadas em pandas"), SQL (como "Introdução ao SQL") e aprendizado de máquina (como "Introdução ao ML com scikit-learn" ou "Introdução a Redes Neurais").
Informações sobre Certificado
Após concluir qualquer um dos nossos cursos relacionados à ciência de dados, você receberá um certificado que valida suas habilidades e conhecimentos em ciência de dados.
Como escolher o curso de Ciência de Dados adequado?
É necessário avaliar seus objetivos, verificar os pré-requisitos e revisar o currículo do curso.
Qual é o melhor curso na categoria de Ciência de Dados?
Oferecemos diversos cursos de destaque na área de ciência de dados, entre os quais podemos destacar "Técnicas Avançadas em pandas", "Visualização definitiva com Python" e "Introdução ao ML com scikit-learn".
Por que devo considerar fazer um curso online de Ciência de Dados com sua empresa?
Oferecemos aos nossos clientes um currículo abrangente, experiência prática e instrutores especialistas.
Dicas para conclusão bem-sucedida do curso de Ciência de Dados
É importante manter-se organizado, aprender de forma ativa e praticar regularmente.
Qual é o custo do treinamento para os cursos de Ciência de Dados?
Oferecemos opções de preços flexíveis. Nosso Plano Pro começa em US$ 49 por mês ou US$ 99 por três meses, com economia no Plano Pro Anual por US$ 144. Nosso Plano Ultimate é US$ 59 por mês, US$ 147 por três meses ou US$ 299 ao ano. Cada plano inclui acesso a conteúdo elaborado por especialistas, desafios interativos e certificação.
Qual curso de Ciência de Dados é mais indicado para iniciantes?
Para iniciantes, boas opções podem ser "Introdução ao SQL" e "Primeiros Passos com Pandas".
Quais são as principais habilidades necessárias para se destacar em Ciência de Dados?
É recomendável ter experiência básica em programação e conhecimento fundamental em matemática.
Como a Ciência de Dados se compara ao Aprendizado de Máquina?
Ciência de Dados abrange todo o processo de trabalho com dados, enquanto aprendizado de máquina é um subconjunto da ciência de dados que lida especificamente com o desenvolvimento e aplicação de algoritmos que permitem que computadores aprendam e façam previsões com base em dados.
Qual o impacto da Ciência de Dados na indústria?
A Ciência de Dados impulsiona a inovação e a eficiência em diversos setores ao fornecer insights acionáveis, melhorar a tomada de decisões e otimizar processos. Por exemplo, auxilia empresas a entender tendências de mercado, comportamento do cliente e eficiência operacional.
Um curso de ciência de dados é difícil?
O nível de dificuldade pode variar dependendo do seu histórico e da complexidade do curso. Cursos que oferecem prática e suporte tornam o processo de aprendizagem mais acessível. Compreensão básica de estatística e programação pode facilitar o aprendizado.
Qual graduação é necessária para atuar em ciência de dados?
Embora um diploma específico nem sempre seja exigido, muitos cientistas de dados possuem formação em áreas como Ciência da Computação, Estatística, Matemática ou Engenharia. Algumas posições podem exigir pós-graduação ou certificações especializadas, mas experiência prática e habilidades também são altamente valorizadas.
O Que Nossos Usuários Dizem
Junte-se 1,5+ milhões avançando em habilidades de IA e dados na Codefinity
Pronto para começar?
ProMelhor oferta introdutória$12 /mêsCobrado anualmente
250+ Cursos bem avaliadosCertificados de conclusãoAssistente de IA em todos os cursos
40+ hands-on Real-world projectsTrilhas de estudo personalizadasEspaços de trabalho ilimitadosUltimateTudo que você precisa para impulsionar sua carreira$25 /mêsCobrado anualmente
250+ Cursos bem avaliadosCertificados de conclusãoAssistente de IA em todos os cursos40+ hands-on Real-world projectsTrilhas de estudo personalizadasEspaços de trabalho ilimitadosPrincipais cursos em Ciência de Dados categoria
1. | Introdução às Redes Neurais com Python |  4 horas |  25 capítulos |
2. | Introdução ao Aprendizado de Máquina com Python | 4 horas | 32 capítulos |
3. | Introdução ao PLN com Python | 5 horas | 29 capítulos |
4. | Introdução ao TensorFlow | 2 horas | 16 capítulos |
5. | Regressão Linear com Python | 2 horas | 19 capítulos |
1. Introdução às Redes Neurais com Python
Horas
Capítulos2. Introdução ao Aprendizado de Máquina com Python
HorasCapítulos3. Introdução ao PLN com Python
HorasCapítulos4. Introdução ao TensorFlow
HorasCapítulos5. Regressão Linear com Python
HorasCapítulosTópicos relacionados no blog
Data Analytics
Data Science
by Kyryl SidakData Scientist, ML Engineer
Artificial Intelligence
Machine Learning
by Artem HrechkaData Scientist, Ml Engineer
Artificial Intelligence
Exploring IT Professions
Machine Learning
by Andrii ChornyiData Scientist, ML Engineer
