Obrigado por enviar sua consulta! Um dos membros da nossa equipe entrará em contato com você em breve.
Obrigado por enviar sua reserva! Um dos membros da nossa equipe entrará em contato com você em breve.
Programa do Curso
- Machine Learning introdução
- Tipos de aprendizagem automática - aprendizagem supervisionada e não supervisionada
- Da aprendizagem estatística à aprendizagem automática
- O fluxo de trabalho Data Mining:
- Business compreensão
- Compreensão dos dados
- Preparação dos dados
- Modelação
- Avaliação
- Implementação
- Algoritmos de aprendizagem automática
- Seleção do algoritmo adequado ao problema
- Sobreajustamento e compromisso entre a polarização e a variância na aprendizagem automática
- Bibliotecas de aprendizagem automática e linguagens de programação
- Porquê utilizar uma linguagem de programação
- Escolher entre R e Python
- Python curso intensivo
- Recursos Python
- Python Bibliotecas para aprendizagem automática
- Notebooks Jupyter e codificação interactiva
- Teste de algoritmos de ML
- Generalização e sobreajuste
- Evitar o sobreajuste
- Método Holdout
- Validação cruzada
- Bootstrapping
- Avaliação de previsões numéricas
- Medidas de exatidão: ME, MSE, RMSE, MAPE
- Estabilidade dos parâmetros e das previsões
- Avaliação de algoritmos de classificação
- Exatidão e seus problemas
- A matriz de confusão
- Problema das classes desequilibradas
- Visualização do desempenho do modelo
- Curva de lucro
- Curva ROC
- Curva de elevação
- Seleção de modelos
- Afinação de modelos - estratégias de pesquisa em grelha
- Exemplos em Python
- Preparação de dados
- Importação e armazenamento de dados
- Compreender os dados - explorações básicas
- Manipulações de dados com a biblioteca pandas
- Transformações de dados - manipulação de dados
- Análise exploratória
- Observações em falta - deteção e soluções
- Outliers - deteção e estratégias
- Padronização, normalização, binarização
- Recodificação de dados qualitativos
- Exemplos em Python
- Classificação
- Classificação binária vs multiclasse
- Classificação através de funções matemáticas
- Funções discriminantes lineares
- Funções discriminantes quadráticas
- Regressão logística e abordagem probabilística
- k-vizinhos mais próximos
- Naïve Bayes
- Árvores de decisão
- CART
- Ensacamento
- Random Forests
- Boosting
- Xgboost
- Máquinas de vectores de suporte e kernels
- Classificador de margem máxima
- Máquina de vectores de suporte
- Aprendizagem em conjunto
- Exemplos em Python
- Regressão e previsão numérica
- Estimação por mínimos quadrados
- Técnicas de seleção de variáveis
- Regularização e estabilidade - L1, L2
- Não linearidades e mínimos quadrados generalizados
- Regressão polinomial
- Splines de regressão
- Árvores de regressão
- Exemplos em Python
- Aprendizagem não supervisionada
- Agrupamento
- Agrupamento baseado em centróides - k-means, k-medoids, PAM, CLARA
- Agrupamento hierárquico - Diana, Agnes
- Agrupamento baseado em modelos - EM
- Mapas auto-organizáveis
- Avaliação e análise de clusters
- Redução da dimensionalidade
- Análise de componentes principais e análise fatorial
- Decomposição de valores singulares
- Escalonamento multidimensional
- Exemplos em Python
- Agrupamento
- Extração de texto
- Pré-processamento de dados
- O modelo de saco de palavras
- Estratificação e lematização
- Análise de frequências de palavras
- Análise de sentimentos
- Criação de nuvens de palavras
- Exemplos em Python
- Motores de recomendação e filtragem colaborativa
- Dados de recomendação
- Filtragem colaborativa baseada no utilizador
- Filtragem colaborativa baseada no item
- Exemplos em Python
- Extração de padrões de associação
- Algoritmo de conjuntos de itens frequentes
- Análise do cabaz de compras
- Exemplos em Python
- Análise de valores extremos
- Análise de valores extremos
- Deteção de valores extremos baseada na distância
- Métodos baseados na densidade
- Deteção de outliers em alta dimensão
- Exemplos em Python
- Machine Learning estudo de caso
- Business compreensão do problema
- Pré-processamento de dados
- Seleção e afinação do algoritmo
- Avaliação dos resultados
- Implementação
Requisitos
Conhecimento e sensibilização para os Machine Learning fundamentos
21 Horas
Declaração de Clientes (3)
Even with having to miss a day due to customer meetings, I feel I have a much clearer understanding of the processes and techniques used in Machine Learning and when I would use one approach over another. Our challenge now is to practice what we have learned and start to apply it to our problem domain
Richard Blewett - Rock Solid Knowledge Ltd
Curso - Machine Learning – Data science
I like that training was focused on examples and coding. I thought that it is impossible to pack so much content into three days of training, but I was wrong. Training covered many topics and everything was done in a very detailed manner (especially tuning of model's parameters - I didn't expected that there will be a time for this and I was gratly surprised).
Bartosz Rosiek - GE Medical Systems Polska Sp. Zoo
Curso - Machine Learning – Data science
It is showing many methods with pre prepared scripts- very nicely prepared materials & easy to traceback
