Desenvolvimento de Modelos de Aprendizagem Automática

Projete pipelines de treinamento de ML escaláveis e reproduzíveis com orientação especializada em orquestração, ingestão de dados, engenharia de features e estratégias de treinamento distribuído.

Projete estruturas rigorosas de avaliação de modelos de ML com as métricas certas, estratégias de validação, testes estatísticos e protocolos de benchmarking para seu domínio.

Projete e implemente funções de perda personalizadas para ML em objetivos complexos, incluindo aprendizado multitarefa, alvos desbalanceados, ranqueamento e restrições de otimização específicas de domínio.

Reduza o tamanho e o custo de inferência de modelos de ML sem sacrificar a precisão, usando poda, quantização, destilação de conhecimento e técnicas de compressão estruturada.

Projetar pipelines eficazes de aumento de dados para modelos de ML em visão, PLN, áudio e domínios tabulares para melhorar a generalização e superar desafios de conjuntos de dados pequenos.

Adapte modelos pré-treinados para domínios personalizados usando estratégias de transfer learning e fine-tuning para aplicações de visão computacional, PLN e ML multimodal.

Maximize o desempenho de modelos de ML através da otimização sistemática de hiperparâmetros utilizando busca bayesiana, treinamento baseado em população e frameworks automatizados de ajuste.

Aborde o desbalanceamento de classes em conjuntos de dados de ML com estratégias especializadas, incluindo SMOTE, aprendizado sensível a custos, otimização de limiares e estruturas de avaliação adequadas.

Transforme dados brutos em poderosos atributos de ML com orientação especializada em codificação, termos de interação, atributos temporais, seleção de atributos e geração automatizada de atributos.

Construa fluxos de trabalho de pesquisa de ML reproduzíveis com orientação especializada em rastreamento de experimentos, versionamento de artefatos, gerenciamento de metadados e ferramentas de comparação.