→ Entender o pipeline do Stack da Elastic
→ Compreender o que são shards.
→ Gerenciar logs de operação usando LogStash
→ Executar MLT Queries na base do ES
→ Desenvolver um classificador de categorias de texto usando a base de dados “The 20 newsgroup dataset”
→ Desenvolver um sistema de recomendação utilizando queries MLT.

→ Instalar a biblioteca NLTK
→ Implementar técnicas de lematização usando a biblioteca NLTK
→ Identificar Base de Dados de Interesse e acessá-los usando Python
→ Instalar a biblioteca Space
→ Construir um modelo de reconhecimento de entidades (NER) usando Spacy
→ Desenvolver pacotes de modelos e disponibilizá-los em ambiente de produção.

→ Identificar as diferentes camadas de uma Rede Neural Artificial
→ Compreender as diferentes arquiteturas de Redes Neurais
→ Criar um modelo de reconhecimento de dígitos numéricos
→ Treinar usando o algoritmo de rede backpropagation em Python
→ Compreender as diferentes funções de ativação
→ Implementar o modelo em um cenário de produção com uma base de imagens.

→ Compreender a utilização de redes profundas
→ Compreender a utilização de modelos pré-treinados de redes profundas
→ Utilizar uma rede com o modelo convulacional usando bases de imagens usando TensorFlow
→ Utilizar uma rede LSTM em uma base textual para produzir conteúdo usando TensorFlow
→ Utilizar uma rede DPN para gerar imagens usando TensorFlow
→ Implementar modelos para cenários de operação diversos.

→ Instalar Scikit-Learn usando um ambiente de Virtualenv.
→ Explicar a motivação de usar algoritmos não-supervisionadas
→ Explicar diferentes tipos de algoritmos de clusterização
→ Escolher a técnica mais adequada de clusterização para diferentes problemas
→ Aplicar os algoritmos de K-Means e HCluster em dados reais
→ Aplicar o algoritmo de DBScan em dados reais.

→ Compreender as medidas de distâncias: Euclideana, Cosseno e Manhantan
→ Compreender a distância baseada na Correlação de Pearson
→ Aplicar distâncias inter-clusters e intra-clusters
→ Aplicar a medida de sillhueta para problemas complexos usando a implementação de Scikit-Learn
→ Entender as limitações da medida de silhueta
→ Utilizar o algoritmo de vizinhos mais próximos (KNN) em Python para avaliação de clusters.