Skip to main content
Back to top
Ctrl
+
K
Construindo uma solução robusta e escalável em ciência de dados
1. Como ler este livro
2. Estrutura do projeto
2.1. Como estruturar seu projeto de ciência de dados para aumentar a legibilidade e transparência
2.2. Boas práticas na escrita de funções
3. Testando o código
3.1. Pytest para cientista de dados
3.2. Quatro dicas úteis para o pytest
4. Testando os dados
4.1. Great Expectations: saiba sempre o que esperar dos seus dados
4.2. Valide Seu Pandas DataFrame com Pandera
4.3. Introdução ao Schema: Uma Biblioteca Python para Validar seus Dados
5. Construir Pipelines
5.1. Orquestre um projeto de ciência de dados em Python com Prefect
6. Acompanhamento de experimentos
6.1. Configure seus projetos de ciência de dados com Hydra
7. Controle de Versão
7.1. Introdução ao DVC: Controle de Versionamento de Dados para Projetos de Aprendizado de Máquina
7.2. DagsHub: um Suplemento de Github para Cientistas de Dados e Engenheiros de Aprendizado de Máquina
7.3. 4 plugins pré-commit para automatizar a revisão e formatação de código em Python
8. Deploy de Modelos
8.1. BentoML: Crie um Serviço de Predição Baseado em ML em Minutos
Repository
Open issue
.md
.pdf
Acompanhamento de experimentos
6.
Acompanhamento de experimentos
#
