Julho 25, 2019

Curso de Machine Learning Online (com Python) – Módulo II

Aprenda algoritmos avançados!

  • Se você já se frustrou tentando aprender machine learning em outro lugar, seus problemas terminaram​
  • Explicações teóricas mais didáticas que você poderia encontrar
  • Todos os códigos de programação são bem esclarecidos
  • Conteúdos cuidadosamente organizados
  • Sem enrolação, direto ao ponto!​
  • É possível controlar a velocidade de reprodução de cada um dos vídeos, acelerando ou diminuindo conforme sua necessidade
  • Suporte a dúvidas
  • Acesso vitalício
  • Certificado de conclusão

Conteúdo das Aulas:​

1) Substituindo dados missing com um modelo de regressão (Teoria)

2) Substituindo dados missing com um modelo de regressão (Aplicação prática em Python)

3) Aprendizado não supervisionado (Teoria)

4) Clustering K Means (conceito + matemática: o que o algoritmo faz debaixo dos panos)

5) Clustering K Means (encontrando o número ideal de clusters)

6) Clustering K Means (aplicação prática em Python + apresentação do exercício)

7) Clustering K Means (solução do exercício)

8) Principal Component Analysis – PCA (conceito + matemática: o que o algoritmo faz debaixo dos panos)

9) Principal Component Analysis (aplicação prática em Python)

10) Métodos Ensemble (conceito)

11) Random Forest (conceito + matemática: o que o algoritmo faz debaixo dos panos)

12) Random Forest (aplicação prática em Python: resolvendo um problema + ajuste de parâmetros)

13) Random Forest (apresentação do exercício)

14) Random Forest (solução do exercício)

15) ExtraTrees (conceito + matemática: o que o algoritmo faz debaixo dos panos)

16) ExtraTrees (aplicação prática em Python: resolvendo um problema + ajuste de parâmetros)

17) ExtraTrees (apresentação do exercício)

18) ExtraTrees (solução do exercício)

19) AdaBoost (conceito + matemática: o que o algoritmo faz debaixo dos panos)

20) AdaBoost (aplicação prática em Python: resolvendo um problema)

21) AdaBoost (ajuste fino de parâmetros)

22) AdaBoost (apresentação do exercício)

23) AdaBoost (solução do exercício)

24) Gradient Boosting (conceito + matemática: o que o algoritmo faz debaixo dos panos) – parte 1

25) Gradient Boosting (conceito + matemática: o que o algoritmo faz debaixo dos panos) – parte 2

26) Gradient Boosting (aplicação prática em Python: resolvendo um problema + ajuste de parâmetros)

27) Gradient Boosting (apresentação do exercício)

28) Gradient Boosting (solução do exercício)

29) Bagging (conceito + matemática: o que o algoritmo faz debaixo dos panos)

30) Bagging (aplicação prática em Python: resolvendo um problema)

31) Bagging (apresentação do exercício)

32) Bagging (solução do exercício)

33) SVM (conceito + matemática: o que o algoritmo faz debaixo dos panos) – parte 1

34) SVM (conceito + matemática: o que o algoritmo faz debaixo dos panos) – parte 2

35) SVM (aplicação prática em Python: resolvendo um problema)

36) SVM (ajuste fino de parâmetros)

37) SVM (apresentação do exercício)

38) SVM (solução do exercício)

39) O que são Sistemas de Recomendação e o problema do Cold Start

40) Filtragem baseada em conteúdo (Content-based)

41) Filtragem Colaborativa (Collaborative Filtering)

42) Método Cosine Distance/ Similarity (Teoria)

43) Método Matrix Factorization/ SVD++ (Teoria)

44) Criando um sistema de recomendação de filmes com a biblioteca Surprise

45) Filtrando as melhores recomendações

46) Validando o modelo SVD++ e ajustando os parâmetros

47) Mostrando os vizinhos mais próximos com cosine distance

48) O que fazer em problemas que não possuem rating

49) Buscando a melhor performance possível

50) Exercício prático final

51) Testando seus conhecimentos teóricos 

Sistemas de Recomendação

Você vai aprender como o Netflix e outras plataformas utilizam machine learning para recomendar filmes para os usuários.

netflix

Exercícios

Muitos exercícios foram elaborados para você colocar em prática tudo o que está aprendendo ao longo do curso. Você irá rodar modelos de machine learning nos seguintes conjuntos de dados:

  • Índice de Desenvolvimento Humano (IDH) em cidades brasileiras
  • Cogumelos venenosos e comestíveis
  • Performance de estudantes a partir de suas condições sociais
  • Sobreviventes do acidente do Titanic
  • Resistência do concreto à compressão
  • Equilíbrio de uma balança
  • Classificação de gestos para robôs a partir da leitura muscular humana
curso 2 machine learning python

Pré-requisitos

Quem já concluiu o Módulo 1 possui todos os pré-requisitos necessários para a realização desse curso. 

Para aqueles que não realizaram o Módulo 1, os pré-requisitos para aproveitar ao máximo esse curso são: conhecimentos em Python para Machine Learning, validação cruzada, ajuste de parâmetros em modelos de machine learning (funções GridSearchCV e RandomizedSearchCV) e árvores de decisão (Decision Trees). 

Aproveite essa promoção especial!

Você pode ter acesso a esse módulo II com o material de machine learning mais didático do mercado por apenas R$ 249,00. Ainda pode parcelar em até 12x de R$ 24,26. 

O módulo III já está disponível e aborda conceitos como redes neurais, deep learning e visão computacional. Ao adquirir mais de um módulo, você tem direito a descontos especiais!

Logo após a confirmação da compra, você receberá um e-mail automaticamente com os dados de acesso ao curso!

OPÇÃO COMBO:

Quer ainda mais vantagem? Tenha acesso a todos os módulos I, II e III juntos por apenas R$ 495,00 (ou até 12x de R$ 48,23) no botão abaixo:

Se você não se sentir satisfeito, pode solicitar o reembolso em até 7 dias úteis.