Aprendizagem Supervisionada
Aprendizagem Não Supervisionada
Aprendizagem por Reforço
Naive Bayes
Máquina de Vetor de Suporte (SVM)
Regressão Logística
Aprendizagem Baseada em Instâncias (KNN)
Random Forest
Árvore de Decisão
XGBoost
Light GBM
CatBoost no Python
Regressão Linear Simples
Correlação Linear
Regressão Linear Múltipla
Regressão Polinomial
Regressão com vetores de Suporte (SVR)
Regressão com Árvore de decisão
Regressão com Random Forest
Regressão com XGBoost
Regressão com Light GBM
Regressão com CatBoost
Redes Neurais Artificiais
K-means
K-Modes
K-Prototypes
MeanShift
Hierárquico
DBSCAN
APRIORI
ECLAT
Q-Learning
Pré-processamento dos dados
Validação cruzada
Análise dos Componentes Principais (PCA)
Conceitos de Python
Conceitos de Estatística
Este curso apresenta diversos tipos de algoritmos de Machine Learning para aprendizagem supervisionada (classificação e regressão), não supervisionada (agrupamento e associação) e Introdução à aprendizagem por reforço, utilizando a linguagem Python. Ele é destinado a iniciantes no mundo de Machine Learning, mas também apresenta técnicas de nível médio e até mesmo de nível avançado.
Os algoritmos apresentados no curso são modernos e os mais utilizados no cotidiano (XGBoost, Catboost, LightGBM, Naive Bayes, Random Forest, Árvores de Decisão, SVM, KNN, Redes Neurais Artificiais, Regressão Linear Simples e Múltipla, Regressão Polinomial, K-Means, DBSCAN, K-Modes, K-Prototypes, Apriori, Eclat, Q-Learning…)
Todas as aulas são explicadas passo a passo, com foco nas aplicações práticas, mas com conceitos teóricos básicos introdutórios de forma bem objetiva, portanto, o curso não detalha a matemática avançada envolvida nos algoritmos.
Os projetos são trabalhados desde a aquisição dos conjuntos de dados nos repositórios de dados, passando pelo tratamento e pré-processamento e culminando na criação dos algoritmos.
O curso é dividido basicamente nas seguintes partes:
1) Domínio do uso da linguagem Python, com o Google Colaboratory, desde os conceitos fundamentais até conceitos mais avançados para análise e manipulação de dados.
2) Fundamentos da Estatística Básica (Parte teórica).
3) Aprendizagem Supervisionada: Classificação.
4) Aprendizagem Supervisionada: Regressão.
5) Aprendizagem não supervisionada: Agrupamento e associação.
6) Introdução à Aprendizagem por Reforço.
São disponibilizados todos os slides das aulas teóricas, todos os scripts das aulas práticas no Python e todos os arquivos com os datasets.
É um curso riquíssimo em informações e com explicações claras e objetivas, ilustrando o fantástico mundo do Machine Learning.
Uma observação importante: o curso não é Estático, isto é, qualquer atualização necessária ou solicitada pelos alunos será acrescida ao curso e, sempre que tiver alguma alteração, atualização ou inclusão de conteúdo, todos serão comunicados.
