Project Description

Este curso visa o desenvolvimento de algoritmos de Machine Learning de uma maneira intuitiva e facilmente aplicável para seus dados. Serão abordadas técnicas de pré-processamento de dados, preparação do seu dataset, aplicação dos algoritmos e visualização de dados.

Público-Alvo

Somente treinamentos para empresas (In-Company). Qualquer pessoa que tenha interesse em aprender sobre Machine Learning e como aplicar os algoritmos de uma maneira fácil e rápida.

Requisitos

Somente treinamentos para empresas (In-Company). Programação Python (Iniciante), conceitos de estatística e probabilidade.

Conteúdo Programático

Este é o conteúdo que será abordado durante o curso.

1. INTRODUÇÃO TEÓRICA SOBRE MACHINE LEARNING

O que é, para que serve, onde usar, quando usar. PRÉ-PROCESSAMENTO:

  • Importar bibliotecas, dataset;
  • Tratar missing data, categorical data, feature scaling;
  • Divisão entre conjunto de treinamento e conjunto de testes; Business Intelligence ou Inteligência de Negócios.

2. APRENDIZADO SUPERVISIONADO

1 – Regressão

  • Regressão Linear Simples;
  • Regressão Linear Múltipla;
  • Regressão Polinomial;
  • Regressão por Vetores Suport (SVR);
  • Decision Trees Regression;
  • Random Forest Regression;
  • Métricas para regressão.

2 – Classificação 

  • Regressão Logística;
  • KNN (K-Nearest Neighbors);
  • SVM (Support Vector Machines);
  • Kernel SVM;
  • Naive Bayes;
  • Decision Trees Classifier;
  • Random Forest Classifier;
  • Métricas para classificação.

3 – Deep Learning

  • Redes Neurais Artificiais;
  • Redes Neurais Convolucionais;

3. APRENDIZADO NÃO SUPERVISIONADO

4 – Clustering

  • K-Means;
  • Hierarchical Clustering.

5 – Redução de Dimensionalidade

  • PCA (Principal Component Analysis);
  • LDA (Linear Discriminant Analysis)