Sobre este cursoIntermediário · 8 módulos · 10h
Aprenda a identificar quando técnicas clássicas de NLP superam LLMs e implemente soluções eficientes para extração e busca de dados. Reduza custos e latência com pipelines otimizados para cenários reais.
Nível: Intermediário
Para quem é: Desenvolvedores, engenheiros de dados, analistas de NLP e profissionais de TI que trabalham com processamento de texto e buscas em sistemas legados ou de alto desempenho
Ao concluir, você será capaz de: Capacitar o aluno a identificar cenários onde técnicas clássicas de NLP (como NER e regex) superam LLMs, implementando soluções eficientes e escaláveis para extração e busca de dados
8 módulos · 10h · certificado ao final
- Analisando cenários: Quando LLMs falham e por quê
- Dominando regex: Padrões avançados para extração de dados
- Implementando NER com spaCy e regras personalizadas
- Otimizando buscas clássicas: Índices, tokenização e performance
- Construindo pipelines híbridos: Regex + NER + LLMs
- Avaliando métricas: Precisão, recall e eficiência em sistemas clássicos
- Deploy de soluções: Integração com APIs e bancos de dados
- Projeto Final: Pipeline de extração e busca para um sistema legado
Projeto Final
Um pipeline completo de extração e busca de dados usando regex e NER, integrado a um sistema legado ou de alto desempenho, com documentação técnica e métricas de performance
Aqui você pratica — não só lê.
Cada bloco é editável e roda no seu navegador. Aperte Executar para começar:
# Edite e aperte Executar. Ctrl+Enter também roda.
curso = "Regex, NER e Busca Clássica: Quando LLMs Não São a Solução"
print(f"Primeira linha rodada no curso de {curso}.") Módulo 1: Analisando cenários: Quando LLMs falham e...
