What you'll learn:
- Tenha uma base teórica sólida sobre os principais algoritmos de Machine Learning
- Utilize as bibliotecas numpy, sklearn e pandas aplicado em Data Science e Machine Learning
- Aprenda na teoria e na prática sobre os algoritmos de Machine Learning para classificação, regressão, regras de associação e agrupamento
- Aprenda a realizar o pré-processamento em bases de dados com pandas e sklearn
- Entenda como funcionam as técnicas para redução de dimensionalidade PCA, KernelPCA e LDA
- Aprenda a avaliar os algoritmos de Machine Learning usando estatística
- Aprenda a detectar outliers em bases de dados
- Crie classificadores para prever se uma pessoa pagará ou não pagará um empréstimo
- Crie classificadores para prever o salário de uma pessoa baseado em seus dados pessoais
- Aprenda como vários conceitos da estatística estão relacionados com Machine Learning, como por exemplo: correlação, covariância, testes de hipóteses e distribuição normal
- Implemente algoritmos de regressão para prever o preço de casas e o preço de planos de saúde
- Implemente o algoritmo Apriori para descobrir regras de associação em bases de dados de mercados
- Agrupe os clientes de um banco utilizando dados sobre o uso do cartão de crédito
- Utilize aprendizagem por reforço para ensinar um simulador de táxi interagir com o passageiro
- Implemente um classificador de sentimentos em textos utilizando a biblioteca spaCy
- Implemente detecção de faces, reconhecimento facial e rastreamento de objetos da área da Visão Computacional
- Implemente técnicas de seleção de atributos para descobrir os campos mais importantes em uma base de dados
- Implemente técnicas de subamostragem e sobreamostragem para tratar bases de dados desbalanceadas
- Utilize o algoritmo ARIMA e o Facebook Prophet para previsões futuras dos número de passageiros em empresas aéreas e também a previsão do número de visitantes em uma página web
A área de Machine Learning (Aprendizagem de Máquina) e Data Science (Ciência de Dados) é atualmente um dos campos de trabalhomais relevantesda Inteligência Artificial, sendo responsável pela utilização de algoritmos inteligentes que tem a função de fazer com que os computadores aprendam por meio de bases de dados. O mercado de trabalho de Machine Learning nos Estados Unidos e em vários países da Europa está em grande ascensão; e a previsão é que no Brasil cada vez mais esse tipo de profissional seja requisitado! Inclusive alguns estudos apontam que o conhecimento dessa área será em breve um pré-requisito para os profissionais de Tecnologia da Informação! E dentro deste contexto está o cientista de dados, que já foi classificado como o trabalho "número 1" por vários veículos da mídia internacional.
E para levar você até essa área, neste curso completo você terá uma visão teórica e prática sobre os principais algoritmos de machine learning utilizando o Python, que é uma das linguagens de programação mais relevantes nesta área. Além disso, vamos utilizar o Google Colab para a implementação dos exemplos, o que facilita o entendimento dos conceitos e evita problemas de instalação de bibliotecas. Este curso é considerado de A à Z pelo fato de apresentar desde os conceitos mais básicos até técnicas mais avançadas, de modo que ao final você terá todas as ferramentas necessárias para construir soluções complexas e que podem ser aplicadas em problemas do dia-a-dia das empresas! Você aprenderá tudo passo a passo, ou seja, tanto a teoria quanto a prática de cada algoritmo! O curso é dividido em cinco partes principais:
Classificação - pré-processamento dos dados, naïve bayes, árvores de decisão, random forest, regras, regressão logística, máquinas de vetores de suporte (SVM), redes neurais artificiais, avaliação de algoritmos e combinação e rejeição de classificadores
Regressão - regressão linear simples e múltipla, polinomial, árvores de decisão, random forest, vetores de suporte (SVR) e redes neurais artificiais
Regras de associação - algoritmos Apriori e ECLAT
Agrupamento - k-means, agrupamento hierárquico e DBSCAN
Tópicos complementares - redução de dimensionalidade com PCA, KernelPCA e LDA, deteção de outliers, aprendizagem por reforço, processamento de linguagem natural, visão computacional, tratamento de dados desbalanceados, seleção de atributos e previsão de séries temporais
Veja abaixo alguns dos estudos de caso que serão implementados:
Criação de gráficos dinâmicos para visualização de bases de dados
Previsão se uma pessoa pagará um empréstimo baseado no histórico financeiro
Previsão do salário de uma pessoa levando em consideração seus dados pessoais
Previsão do preço do plano de saúde baseado na idade
Previsão do preço de casas considerando
Geração de regras de associação para compor prateleiras de mercado
Agrupamento de clientes simulares considerando dados sobre o uso do cartão de crédito
Simulação de um táxi utilizando aprendizagem por reforço
Classificação de sentimentos em textos com processamento de linguagem natural
Detecção de faces, reconhecimento facial e rastreamento de objetos
Previsão de visitas a websites com séries temporais
Este curso tem o objetivo de servir como um referencial de consulta sobre as técnicas abordadas, por isso ele procura cobrir a maior parte dos assuntos que envolvem machine learning. Este curso pode ser categorizado para todos os níveis, pois pode servir de base para consulta para alunos mais experientes no assunto e também um ótimo guia para quem está iniciando na área!
