Proposta de benchmark para modelos de previsão de safra agrícola
Visão geral
Sobre o que é este desafio
Você projeta métricas, divide dados temporais e cria baselines para previsão de safra agrícola. O desafio entrega um certificado verificável.
O Brief
O que você vai fazer e o que vai demonstrar.
Projetar um benchmark padronizado, reprodutível e estatisticamente robusto para avaliar e comparar modelos de previsão de produtividade agrícola, com protocolo de governança e baselines adequados ao contexto agronômico brasileiro.
Earning criteria — what you'll demonstrate
- Projetar benchmarks de avaliação de modelos que evitem armadilhas comuns como data leakage temporal, overfitting (sobreajuste) ao conjunto de teste e métricas inadequadas ao domínio
- Definir protocolos de reprodutibilidade que incluam versionamento de dados, especificação de ambiente computacional e documentação de hiperparâmetros
- Selecionar e justificar métricas de avaliação considerando o contexto de aplicação (impacto agronômico de erros de subestimação vs. superestimação)
- Estabelecer governança de benchmarks com processos de submissão, auditoria e atualização que mantenham a validade ao longo do tempo
Adequação ao Programa
Onde isso se encaixa no seu programa.
Aperfeiçoa as mesmas habilidades que seu curso espera que você demonstre.
Conteúdo alinhado em breve.
Habilidades
Habilidades que você vai demonstrar.
Cada um aparece no seu certificado verificado.
Carreiras
Cargos para os quais este desafio te prepara.
Títulos reais. Pontes reais de habilidades. Escolha o mais próximo da sua trajetória.
Trilhas de carreira que este desafio desenvolve
Funções canônicasEngenheiro de Machine Learning
O projeto de benchmarks exige domínio de pipelines de avaliação, versionamento de experimentos e controle de reprodutibilidade — competências centrais para engenheiros de ML que mantêm modelos em produção.
Este desafio aprimora
- model-evaluation
- reproducibility
- weights-biases-experiment-tracking
Cientista de Dados
A seleção de métricas adequadas ao domínio, o design de protocolos de avaliação temporal e a implementação de baselines são tarefas rotineiras de cientistas de dados em empresas orientadas por dados.
Este desafio aprimora
- model-evaluation
- model-training-fine-tuning
- reproducibility
Pesquisador de ML
Projetar benchmarks rigorosos e governáveis é uma habilidade fundamental para pesquisadores que precisam validar contribuições científicas e comparar abordagens de forma justa e reprodutível.
Este desafio aprimora
- reproducibility
- model-evaluation
- weights-biases-experiment-tracking
Só mais uma coisa