Ícone do site Didática Tech

Curso de Machine Learning com Python: Módulo II

Aprenda algoritmos avançados!

CONTEÚDO DAS AULAS

Dados Missing com Regressão

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

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

Aprendizado Não Supervisionado

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)

PCA

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

9) Principal Component Analysis (aplicação prática em Python)

Random Forest

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)

ExtraTrees

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)

AdaBoost

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)

Gradient Boosting

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)

Bagging

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)

Support Vector Machine – SVM

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)

Sistemas de Recomendação

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

Testando seus conhecimentos

49) Buscando a melhor performance possível

50) Exercício prático final

51) Testando seus conhecimentos teóricos 

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

Notebook com projeto de machine learning

Você vai aprender como o Netflix e outras plataformas utilizam Machine Learning para recomendar filmes para os usuários

O QUE OS ALUNOS ESTÃO DIZENDO? 

Esses são apenas alguns comentários, você pode conferir mais comentários nessa página.

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.

módulo III e o módulo IV já estão disponíveis e abordam conceitos mais avançados como redes neurais, deep learning, visão computacional, processamento de linguagem natural, aprendizado por reforço e muito mais. 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, III e IV juntos com 50% OFF! Garanta seu pacote completo de cursos por apenas R$ 695,00 (ou até 12x de R$ 67,71) no botão abaixo:

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

Sair da versão mobile