Machine learning

Desenvolva modelos preditivos poderosos, automatize decisões e impulsione o crescimento de qualquer negócio com nosso curso de aprendizado de máquina.

O CURSO

Prepare-se para se tornar um mestre em aprendizado de máquina! Aqui, você vai aprender tudo o que precisa saber sobre as técnicas mais populares de aprendizado de máquina, desde árvores de regressão e decisão até random forest, bagging e boosting. Técnicas de aprendizado não supervisionado são cobertas em detalhes. Todo o passo a passo para criar um algoritmo de machine learning será discutido e apresentado em detalhes.

Você vai aprender a usar os poderosos frameworks tidymodels e caret do software R, e será guiado através da implementação computacional dessas técnicas de forma clara e concisa. Mas não se preocupe se você ainda é um iniciante - nosso curso começa com o básico e avança gradualmente para tópicos mais avançados.

E não se trata apenas de teoria! Você vai mergulhar em diversos estudos de caso do mundo real e analisá-los em detalhes, com o código discutido passo a passo. Ao final do curso, você terá o conhecimento e habilidades necessárias para aplicar o aprendizado de máquina em seus próprios projetos e alcançar resultados impressionantes!

DIFERENCIAIS

Professor especialista na área.
Material didático exclusivo.
Suporte computacional em R.
Técnicas consagradas.
Diversos estudos de casos.
Tutoriais para você praticar.
Suporte durante e após o curso.
Conteúdo em sintonia com o mercado de dados.

QUAL CONTEÚDO?

Módulo 1 · Introdução ao aprendizado de máquina
Conceitos iniciais.
Tipos de aprendizado.
Elementos e pipeline.
Tarefas comuns em machine learning.
Exemplos e discussão.
Técnicas de validação · Holdout.
Técnicas de validação · k-fold.
Técnicas de validação · Leave one out.
Técnicas de avaliação · Classificadores.
Técnicas de avaliação · Regressão.

Módulo 2 · O Balanço entre vício e variância
Vício e Variância · Regressão com polinômios.
Vício e Variância · Regressão local.
Vício e Variância · Regressão por splines.
Vício e Variância · A base gerada com splines.
Vício e Variância · Regressão por smoothing splines.

Módulo 3 · Pré-processamento de dados
Organização e qualidade dos dados.
Dados faltantes.
Dados desbalanceados.
Variáveis correlacionadas e valores discrepantes.
Outros aspectos da qualidade dos dados.
Transformação de variáveis.
Partição em treinamento e teste.
Prática de limpeza e preparo de dados.
Padronização de escalas.
Transformação na forma.
Redução de dimensão por componentes principais.
Cortando uma variável em classes.
Métodos de seleção de variáveis.
Métodos de particionamento dos dados.
Análise de Churn · Preparação dos Dados.

Módulo 4 · Algoritmos de aprendizado supervisionado
Algoritmos de aprendizado supervisionado.
Regressão linear.
Regressão logística.
K Vizinhos mais próximos.
Bayes ingênuo.
Bayes ingênuo com Implementação.
Análise discriminante.
Árvores de decisão (1).
Árvores de decisão (2).
Métodos de ensembles com bagging e boosting.
Árvores aleatórias.
XGBoost.
Máquinas de vetores de suporte.
Regressão com regularização.

Módulo 5 · Aprendizado supervisionado no caret
Análise de regressão linear.
Regressão com termos não lineares.
Treinamento de modelos de regressão no caret.
Métodos de seleção de variáveis em regressão.
Treinamento de modelos de classificação no caret.
Avaliação de modelos de classificação.

Módulo 6 · Frameworks para machine learning
Modelos supervionados no caret.
Procedimento de modelagem no caret.
O framework de modelagem do tidymodels.
Análise de Churn · preparo dos dados.
Análise de Churn · análise exploratória.
Análise de Churn · partição para o treinamento.
Análise de Churn · treinamento do modelo random forest (1).
Análise de Churn · treinamento do modelo random forest (2).
Análise de Churn · treinamento do modelo modelo logístico com regularização.
Análise de Churn · treinamento do modelo logístico com seleção stepwise.
Análise de Churn · avaliação do modelo random forest.
Análise de Churn · interpretação do modelo random forest.
Análise de Churn · avaliação do modelo logístico com regularização.
Análise de Churn · a importante suposição de estacionaridade.

Módulo 7 · Análise de componentes principais
Motivação e intuição sobre componentes principais.
A matemática dos componentes principais.
Interpretação de carregamentos e escores.
Padronização de escalas.
Considerações sobre componentes principais.
Prática de PCA com medidas em folhas de uva.
Prática de PCA com dados de performance esportiva.
Prática de PCA com notas de questionário de avaliação de veículos.
Prática de regressão por componentes principais.

Módulo 8 · Análise de agrupamentos
Motivação e intuição sobre análise de agrupamentos.
Medidas de dissimilaridade.
Métodos de agrupamento.
Avaliação da qualidade do agrupamento.
Outros métodos de agrupamento.
Prática de análise de agrupamentos.

PARA QUEM?

Se você é um profissional de análise de dados que busca aprimorar suas habilidades em Ciência de Dados, você está no lugar certo! Este curso é perfeito para você, pois é projetado para aplicar técnicas de aprendizado de máquina de ponta dentro do contexto de Ciência de Dados. Independentemente de sua formação, seja em engenharia, ciência da computação, economia, física, administração, gestão da informação ou tecnologia em análise e desenvolvimento de sistemas, você encontrará em nosso curso uma oportunidade de se destacar.

Walmes Marques Zeviani

Dr.

Doutor em Estatística & Experimentação Agropecuária, professor do Departamento de Estatística desde 2010 & programador R. Tem experiência no ensino de Estatística e Data Science, já ministrou inúmeros cursos de R em instituições de ensino e pesquisa desde 2008. É vice-coordenador do programa de Especialização em Data Science & Big Data da UFPR.