🧠 Machine Learning Engineer em formação • ⚙️ Sistemas de ML & MLOps • 🔬 Experimentação em Machine Learning

🎓 Estudante de Ciência da Computação no UniCEUB, com foco em Machine Learning, Engenharia de IA e MLOps.

🧠 Meu principal interesse é desenvolver sistemas completos de Machine Learning, indo além de notebooks e modelos isolados — explorando pipelines, automação, experimentação estruturada e arquitetura de ML.

📊 Meus projetos buscam cobrir todo o ciclo de vida de ML:

• exploração e preparação de dados
• treinamento e comparação de modelos
• experiment tracking
• automação de pipelines
• deploy de modelos
• organização e reprodutibilidade de experimentos

👾 Comecei a programar em 2024 e, a partir de 2025, passei a focar intensamente em Machine Learning e MLOps, aplicando esse conhecimento em plataformas e experimentos próprios.

📌 Também exploro e publico projetos ou experimentos em plataformas como:

• Kaggle
• Hugging Face
• DagsHub

com foco em experimentação, benchmarking de modelos e engenharia de ML.

Plataforma educacional para experimentação e automação de Machine Learning utilizando práticas de MLOps.

Principais funcionalidades:

• Treinamento de múltiplos modelos de ML
• Otimização de hiperparâmetros com Optuna
• Rastreamento de experimentos com MLflow
• Registro automático de métricas, gráficos e artefatos
• Interface interativa para configuração de experimentos
• Organização estruturada de experimentos e runs

Objetivo do projeto:

Criar um ambiente que permita explorar, comparar e entender modelos de Machine Learning utilizando práticas reais de engenharia de ML e MLOps.

Interface criada para comparar diferentes frameworks de AutoML.

Permite testar e analisar frameworks como:

• AutoGluon
• FLAML
• TPOT
• H2O AutoML

Com funcionalidades como:

• execução e comparação de múltiplos frameworks
• análise de métricas
• organização de experimentos
• estudo prático das diferenças entre abordagens de AutoML

O projeto foi criado para estudar empiricamente o comportamento e a performance de frameworks AutoML.

Minhas tecnologias refletem foco em Machine Learning, Engenharia de IA e MLOps, cobrindo desde experimentação até deploy e organização de sistemas de ML.

• Desenvolvimento e avaliação de modelos de Machine Learning
• Classificação, regressão e análise de sentimentos
• Feature engineering e experimentação
• Benchmark e comparação entre algoritmos

• Experiment tracking
• Versionamento de datasets e modelos
• Organização de pipelines locais de ML
• Reprodutibilidade de experimentos

Ferramentas exploradas:

• MLflow
• DagsHub
• Hugging Face

• APIs para inferência de modelos
• integração com pipelines de ML
• validação de dados e endpoints de previsão

• dashboards de experimentos
• visualização de métricas
• interfaces interativas para projetos de ML

Experiência exploratória com plataformas e ferramentas do ecossistema de IA:

• Azure Machine Learning
• AWS
• Google Cloud
• IBM Cloud / watsonx
• Databricks

Além de plataformas de colaboração e experimentação em ML como:

• Hugging Face
• DagsHub
• Kaggle

🧠 Sistemas de Machine Learning e arquitetura de pipelines 📦 MLOps (experiment tracking, versionamento e automação) 🔬 Experimentação e benchmarking de modelos de ML 🤖 IA generativa e ecossistema Hugging Face

• Tornar-me Machine Learning Engineer, especializado em sistemas de ML e MLOps
• Desenvolver plataformas e ferramentas para experimentação em Machine Learning
• Trabalhar em projetos de IA aplicada em escala
• Continuar explorando e publicando experimentos em Machine Learning