Formação Aprendizado de Máquina
- Nivel: Avançado
- Duração: 400h
Venha entender os princípios de design e as aplicações da IA em vários setores. O objetivo é que você crie uma abordagens de produto baseada em IA, que pode ser apresentada aos seus stakeholders internos ou investidores. Você aprenderá os vários estágios envolvidos no design de produtos baseados em IA juntamente com os algoritmos de aprendizado de máquina, e aplicará os insights para resolver problemas práticos.
Saiba como a implantação das tecnologias de IA certas em sua organização pode ajudá-lo a automatizar tarefas rotineiras, obter insights por meio da análise de dados e interagir melhor com os clientes.
Dado o amplo espectro de aplicações da IA nas organizações, não é surpresa que o Especialista em Machine Learning seja um dos cargos mais bem avaliado no relatório de empregos do LinkedIn desde 2020. Com uma taxa de crescimento anual superior a 70% para esta posição, todos os setores estão procurando por talentos de Machine Learning.
Plano Pedagógico
Pré-requisito
Python
Aprendizado Teórico Complementar
Playlist do Dr. Alexandre L. M. Levada – USP
Playlist do PhD Francisco A. Rodrigues – USP
Playlist do Dr. Rafael Izbicki – UFSCar
Playlist do M.Sc Eduardo Ferreira – UNICAMP
Playlist do M.Sc Afrânio Melo – COPPE-UFRJ
Preparando o Ambiente
Para saber sobre as ferramentas, público alvo, e outras informações, acesse nossas Perguntas Frequentes (itens H e I).
Certificação
Após a conclusão do curso, ficará disponível o botão para a emissão do certificado.
Course Curriculum
Nivelamento
-
Python…para quem está começando
-
Fundamentos básicos de computação
-
Introdução à Teoria das Probabilidades
-
Métodos baseados em árvores
-
Regularização
-
Reamostragem
-
Classificação
01 – Entendendo o Ecossistema de Aprendizagem de Máquina
-
01 – Ecossistema Machine Learning
-
02 – Começando Python
-
03 – Começando Pandas
-
04 – Começando Numpy
-
05 – Começando MatplotLib
-
06 – Entendendo Dados
-
07 – Preparando Dados
-
08 – Extração de características com RFE
-
09 – Avaliar usando a Validação Cruzada
-
10 – Métricas de Performance
-
11 – Algoritmos de Classificação
-
12 – Algoritmos de Regressão
-
13 – Comparando Algoritmos
-
14 – Criando Pipeline e Modelo
-
15 – Agrupamento Ensembles
-
16 – Tuning de Hiperparâmetros
-
17 – Como salvar e carregar modelos
02 – Análise de Dados (Data Analysis)
-
01 – Como reindexar DataFrames Pandas
-
02 – Como renomear o cabeçalho da coluna em um DataFrame Pandas
-
03 – Como renomear o cabeçalho de multiplas coluna num DataFrame Pandas
-
04 – Como substituir múltiplos valores num DataFrame Pandas
-
05 – Como salvar um DataFrame Pandas para arquivo CSV
-
06 – Como pesquisar um valor dentro de uma coluna de DataFrame Pandas?
-
07 – Como pesquisar um valor dentro de uma coluna de DataFrame Pandas?
-
08 – Como reindexar DataFrames Pandas
-
09 – Como pesquisar um valor dentro de uma linha (Row) de um DataFrame Pandas
-
10 – Como ordenar as linhas dentro de um DataFrame Pandas
-
11 – Como fazer a montagem de Strings em Pandas
-
12 – Como utilizar a biblioteca “Seaborn” para visualizar um dataframe Pandas
-
13 – Como utilizar o Pandas “dataframe & series” para representar o processo de limpeza, estruturação e enriquecimento de dados brutos – “data wrangling”
-
14 – Como gerar gráfico de Barras usando Dataframe Pandas
-
15 – Como utilizar “Series Temporais” em Pandas
-
16 – Como gerar “Series Temporais” (cronológicas) usando Pandas e Seaborn
-
17 – Como gerar um gráfico de dispersão usando “Pandas e Seaborn”
-
18 – Como gerar Gráfico de Barra agrupado – “grouped BAR”
-
19 – Como plotar Gráficos de Pizza
-
20 – Como gerar um “Gráfico de Barra empilhado”
-
21 – Como determinar e plotar o coeficiente de correlação de Pearson
-
22 – Como determinar e plotar a correlação de Spearman
-
23 – Como reduzir a dimensionalidade de uma “matriz esparsa”
-
24 – Como reduzir a dimensionalidade usando PCA – “Principal Component Analysis”
-
25 – Como extrair características (features) usando PCA
-
26 – Como selecionar caracteristicas usando “ANOVA F-values”
-
27 – Como selecionar caracteristicas usando qui-quadrado: “chi-squared”
-
28 – Como remover características altamente correlacionadas – “highly correlated features”
-
29 – Como fazer a eliminação recursiva de características – “recursive feature”
-
30 – Como fazer a eliminação recursiva de características- “feature” (DecisionTreeRegressor)
-
31 – Como fazer a eliminação recursiva de características pela analise da Variância
-
32 – Como dividir dados: Treino e Teste usando “sklearn”
-
33 – Como verificar a acurácia de um Modelo utilizando a validação cruzada
-
34 – Como verificar a precisão de um Modelo (F1 Score) utilizando a validação cruzada
-
35 – Como verificar a precisão de um Modelo utilizando a validação cruzada
-
36 – Como verificar “Recall” de um Modelo utilizando a validação cruzada
-
37 – Como verificar a pontuação AUC do modelo utilizando a validação cruzada
-
38 – Como verificar a “pontuação Media” do modelo utilizando a validação cruzada
-
39 – Como gerar relatório de classificação e matriz de confusão
-
40 – Como plotar uma curva de aprendizagem de máquina
-
41 – Como plotar a “Curva ROC”
-
42 – Como plotar a Validação da Curva com algoritmo “Random Forest”
-
43 – Como sintonizar hiper-parâmetros com algoritmo “GridSearchCV”
-
44 – Como sintonizar hiper-parâmetros com algoritmo “Random Search”
-
45 – Como selecionar modelo com o algoritmo (GridSearchCV) – “Grid Search”
-
46 – Como otimizar hiper-parâmetros de um modelo de Regressão Logística usando algoritmo “Grid Search”
-
47 – Como otimizar hiper-parâmetros de um modelo “DecisionTree” usando algoritmo “GridSearchCV”
-
48 – Como criar e otimizar a “baseline” de um modelo de Regressão Linear
-
49 – Como criar e otimizar a “baseline” de um modelo de Regressão Ridge – “Ridge Regression”
-
50 – Criar e otimizar a “baseline” de um modelo de Regressão Lasso – “Lasso Regression”
-
51 – Criar e otimizar a “baseline” de um modelo de Regressão ElasticNet – “ElasticNet Regression”
03 – Classificação, Clusterização e Regressão (Classification, Clustering, Regression)
-
01 – Como criar e otimizar um modelo de “Árvore de Decisão” para “Regressão”
-
02 – Como criar e otimizar um modelo de “Árvore de Decisão” para “Classificação Binária”
-
03 – Como utilizar o algoritmo “vizinho mais próximo” (nearest neighbours) para “Regressão”
-
04 – Como utilizar o algoritmo “vizinho mais próximo” (nearest neighbours) para “Classificação”
-
05 – Como fazer Agrupamento Aglomerativo – “Agglomerative Clustering”
-
06 – Como fazer Clusterização com o algoritmo KMeans – “KMeans Clustering”
-
07 – Como fazer Clusterização baseado em afinidade
-
08 – Como fazer Clusterização baseado no algoritmo DBSCAN – “DBSCAN Clustering”
-
09 – Como fazer Clusterização baseada na abordagem do deslocamento médio (MinShift)
-
10 – Como utilizar a Árvore de Classificação e Regressão
-
11 – Como utilizar o algoritmo classificador e regressor – AdaBoost
-
12 – Como utilizar o algoritmo classificador e regressor – RandomForest
-
13 – Como utilizar o algoritmo classificador e regressor – GradientBoosting
-
14 – Como usar o classificador e regressor MLP – Perceptron Multicamadas
-
15 – Como usar o classificador e regressor “XgBoost” – reforço gradual (Gradient boosting)
-
16 – Como usar o classificador e regressor “CatBoost”
-
17 – Como usar o classificador e regressor – “LightGBM”
-
18 – Como usar o classificador e regressor “SVM” – Support Vector Machine
-
19 – Como importar arquivos CSV
-
20 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Multiclass Classification
-
21 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Naive Bayes
-
22 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Nearest Neighbors
-
23 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – LDA e QDA
-
24 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Tree Model
-
25 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Ensemble (Bagging) model
-
26 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Ensemble (Boosting) model
-
27 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Diferentes “Boosting models”
-
28 – Como classificar o “vinho” com modelos lineares (Classificação Multiclasse): “sklearn” – Visualizar Tree Model
-
29 – Como utilizar a métrica de classificação
-
30 – Como utilizar o Métrico de Regressão
-
31 – Como comparar algoritmos de classificação do “sklearn”
-
32 – Como implementar o conjunto de votação – “Ensemble Model”
-
33 – Como salvar modelos treinados
-
34 – Como visualizar uma Arvore “XGBoost”
-
35 – Como visualizar a importância das características “XGBoost”
-
36 – Como avaliar o modelo “XGBoost” com curvas de aprendizagem
-
37 – Como avaliar o modelo “XGBoost” com curvas de aprendizagem
-
38 – Como paralelizar a execução de “XGBoost” e validação cruzada (cross validation)
-
39 – Como otimizar o número de árvores no XGBoost
04 – Visualização de Dados (Data Visualisation)
-
01 – Como fazer e plotar Autocorrelação (ACF) e Autocorrelação Parcial (PACF)
-
02 – Como plotar grafico de Pizza com destacamento
-
03 – Como plotar divergentes textos
-
04 – Como plotar divergências de escala
-
05 – Como gerar gráfico de Densidade
-
06 – Como Traçar Múltiplas Séries Temporais com diferentes escalas usando o eixo Y secundário
-
07 – Como plotar “BoxPlot”
-
08 – Como plotar Correlograma – “Correllogram”
-
09 – Como plotar Correlação cruzada – “Cross Correlation”
-
10 – Como plotar Curvas de Densidade com Histograma
-
11 – Como plotar Decomposição de Série Temporal
-
12 – Como plotar decomposição de Series Temporais
-
13 – Plotar Gráfico de dispersão com linha de regressão linear de melhor ajuste
-
14 – Plotar Gráfico de Área
-
15 – Como plotar gráfico de Barras
-
16 – Plotar grafico de Bolha – “Bubble Plot”
-
17 – Como plotar gráfico de Cascata – “Waterfall”
-
18 – Plotar gráfico de Pares – “Pairwise Plot” (Lotes em par)
-
19 – Como plotar um gráfico do tipo “TreeMap”
-
20 – Plotar Histograma Empilhado
-
21 – Plotar Histograma para Variáveis Contínuas
-
22 – Plotar Histogramas Marginais – “Marginal Boxplot”
-
23 – Como plotar “Lollipop” com Marcadores
-
24 – Como plotar uma pirâmide populacional
-
25 – Como plotar um grafico do tipo “Scatter Plot”
-
26 – Plotar Séries Temporais com Anotações de Picos e Vales
-
27 – Como plotar um gráfico de barras ordenado
-
28 – Como criar o “Cylinder Plot”
-
29 – Como criar o “Joy Plot”
-
30 – Mapa “Lollipop” para Quilometragem de Auto-Estradas
-
31 – Como plotar gráfico de Pizza
-
32 – Como plotar Quilometragem em Auto-Estrada por Classe de Veículo
-
33 – “Data Visualisation” para “Business Analyst” – Como fazer uma Plotagem de “dado sazonal”
-
34 – Como plotar uma Análise de Consumo – “Black Friday”
05 – Projetos Exemplo
-
01 – Classificação usando o Classificador de Regressão Logística
-
02 – Classificação utilizando os Modelos Generalizados SKLEARN
-
03 – Classificação usando Análise Discriminante Linear e Quadrática
-
04 – Classificação multiclasse usando múltiplos Algoritmos KNN
-
05 – Classificação multiclasse utilizando máquina vetor de suporte SVM
-
06 – Classificação multiclasse com Árvore de decisão
-
07 – Classificação multiclasse usando Naive Bayes
-
08 – Aprendizagem supervisionada usando Bagging Ensembles
-
09 – Classificação multiclasse usando o DecisionTree, RandomForest e ExtraTrees
-
10 – Classificação multiclasse usando o Boosting – técnica Ensemble
-
11 – Classificação usando Voting Ensembles
-
12 – Análise comparativa sobre Redes Neurais, Baggging e Boosting
-
13 – Comparando diferentes classificadores SKLEARN
06 – Projeto Final
-
Projeto Final
Avaliações:
Student Ratings & Reviews
4.5
Total 2 Ratings
5
1 Ratings
4
1 Ratings
3
0 Rating
2
0 Rating
1
0 Rating
Aonde consigo pegar os arquivos .csv
Ótimo curso!