Curso
Introdução ao Python
4 h
7M
Data science e machine learning nunca estiveram tão em alta. Com o crescimento da área, todo o ecossistema de ferramentas para quem trabalha com dados amadureceu rapidamente.
Um destaque bem-vindo foi o surgimento de uma grande variedade de novas ferramentas, startups e até categorias inteiras focadas em resolver problemas específicos de profissionais e organizações. Neste infográfico, apresentamos um panorama das ferramentas de data science e machine learning em 2022.
Para baixar a versão em PDF deste infográfico, clique na imagem acima.
Abaixo, você encontra uma visão detalhada das ferramentas mencionadas no infográfico.
Gestão de dados
Uma grande evolução recente foi a chegada de ferramentas que ajudam a gerenciar dados com mais eficiência para fluxos de trabalho de data science e machine learning. Elas vão desde soluções de geração de dados sintéticos, observabilidade de dados que monitora pipelines em produção, versionamento de dados, ferramentas de pipeline e orquestração de dados para organizar workflows, catálogos de dados que expõem os ativos de dados da organização para consumo, e muito mais.
Dados sintéticos
Observabilidade de dados
Versionamento de dados
Rotulagem de dados
Pipeline de dados
Orquestração de dados
Catálogos de dados
Plataformas de machine learning de ponta a ponta
Plataformas de machine learning estão se tornando o padrão. Elas permitem realizar o processo completo, do processamento de features ao deploy, e algumas já oferecem automação tanto no treinamento quanto na implantação.
Modelagem
No ecossistema de data science, há uma infinidade de ferramentas: Notebooks & IDEs, pacotes e softwares de análise de dados, visualização de dados, feature stores para armazenar variáveis usadas em machine learning, bibliotecas de deep learning e machine learning, bibliotecas de otimização de hiperparâmetros, ferramentas de depuração de modelos e muito mais.
Notebooks & IDEs
- JupyterLab
- Google Colab
- Deepnote
- VSCode
- Amazon SageMaker Studio Lab
- JetBrains
- Spyder
- DataCamp Workspace
- RStudio
Análise de dados
Visualização de dados
Feature stores
Frameworks de machine learning
Frameworks de deep learning
Otimização de hiperparâmetros
Explicabilidade de modelos
Depuração de modelos
Deploy
Os últimos dois anos viram a ascensão de MLOps e a importância de colocar modelos de machine learning em produção. Isso acelerou o desenvolvimento de ferramentas para empacotar modelos em aplicativos, monitorar modelos em produção, acompanhar experimentos em escala e servir modelos em ambientes produtivos.
