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
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
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.
O 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.