Aprenda machine learning e análise de dados com Power BI!
- Gráficos e dashboards completos, incluindo as previsões dos modelos criados
- Explicações teóricas mais didáticas que você poderia encontrar
- Códigos simples e bem esclarecidos em Python e R para criação dos modelos
- 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) Introdução a Machine Learning e IA
2) Viés e Variância
3) Visão geral dos algoritmos de machine learning
4) Regressão linear (conceito + matemática: o que o algoritmo faz debaixo dos panos)
5) Regressão linear (Power BI: Linha de Tendência)
6) Regressão linear (Power BI e R: Massa de Dados com R)
7) Regressão linear (Script R: Massa de Dados)
8) Regressão linear (Power BI e R: Treino e Teste)
9) Regressão linear (Script R: Treino e Teste)
10) Regressão linear (Power BI e R: Previsões)
11) Regressão linear (Script R: Previsões)
12) Regressão linear (Power BI: Coeficiente de determinação R2)
13) Regressão linear (Script R: Coeficiente de determinação R2)
14) Regressão linear (apresentação do exercício)
15) Regressão linear (Power BI: Gráfico de Dispersão – solução exercício)
16) Regressão linear (Power BI: Gráfico de Dispersão com Tendência – solução exercício)
17) Regressão linear (Power BI: Gráfico de Colunas – solução exercício)
18) Regressão linear (Power BI: Gráfico de Pizza – solução exercício)
19) Regressão linear (Power BI e R: Modelo e Previsões – solução exercício)
20) Pré-processamento: dados missing
21) Pré-processamento (solução do exercício)
22) Feature selection: correlação (conceito)
23) Feature selection: correlação (Power BI e Python)
24) Ridge regression (conceito + matemática: o que o algoritmo faz debaixo dos panos)
25) Ridge regression (Power BI e Python: resolvendo um problema)
26) Ridge regression (Script Python: resolvendo um problema)
27) Regularização L1, L2 e regressão Lasso
28) Lasso regression (Power BI e Python: resolvendo um problema)
29) Elastic net (conceito + matemática: o que o algoritmo faz debaixo dos panos)
30) Elastic net (Power BI e Python: resolvendo um problema)
31) Gráfico Valores Reais x Previstos (apresentando o exercício)
32) Gráfico Valores Reais x Previstos (Power BI e Python: solução do exercício)
33) Pacote Caret (linguagem R)
34) Validação cruzada Kfold (Teoria: o que o algoritmo faz debaixo dos panos)
35) Validação cruzada Kfold (aplicação prática em R)
36) Busca de parâmetros em um modelo (aplicação prática em R)
37) Teste de parâmetros específicos em um modelo (aplicação prática em R)
38) Regressão logística (conceito + matemática: o que o algoritmo faz debaixo dos panos)
39) Regressão logística (Power BI: Pré-processamento)
40) Regressão logística (Power BI e R: Modelo)
41) Regressão logística (Power BI e R: Análise dos Resultados)
42) Regressão logística (apresentação do exercício)
43) Regressão logística (Script R: solução do exercício)
44) Regressão logística (Power BI: solução do exercício)
45) Medição de desempenho Confusion Matrix (teoria e prática no Power BI)
46) Medição de desempenho ROC/AUC (conceito + matemática: o que o algoritmo faz debaixo dos panos)
47) Medição de desempenho ROC/AUC (Script R e Python)
48) Medição de desempenho ROC/AUC (Power BI: Gráfico)
49) Medição de desempenho ROC/AUC (Script Python: auc)
50) Normalizando dados (Script R)
51) KNN (conceito + matemática: o que o algoritmo faz debaixo dos panos)
52) KNN (Power BI e R)
53) KNN (apresentação do exercício)
54) KNN (Power BI e R: resolução do exercício)
55) Teorema de Bayes (conceito teórico)
56) Gaussian, Multinomial (Poisson), Bernoulli (o que os algoritmos Naive Bayes fazem debaixo dos panos)
57) Suavização de Laplace
58) Naive Bayes (Python: Dataset Iris)
59) Naive Bayes (Power BI e Python)
60) Decision Trees (conceito + matemática: o que o algoritmo faz debaixo dos panos) – Parte 1: entropia
61) Decision Trees (conceito + matemática: o que o algoritmo faz debaixo dos panos) – Parte 2: índice GINI
62) Decision Trees: evitando overfitting
63) Decision Trees (conceito + matemática: o que o algoritmo faz debaixo dos panos) – Parte 3: regressão
64) Decision Trees (conceito + matemática: o que o algoritmo faz debaixo dos panos) – Parte 4: a escolha do melhor split com algoritmos CART e C4.5
65) Decision Trees Classifier (Power BI e R)
66) Decision Trees Classifier (Power BI e R: Ajuste de Parâmetros)
67) Decision Trees (apresentação do exercício)
68) Decision Trees (resolução do exercício)
69) Projeto Final – Apresentação
70) Projeto Final – Proposta de Solução
71) Projeto Final – Power BI – Pré-processamento
72) Projeto Final – Power BI e R – Modelo
73) Projeto Final – Power BI e R – Previsões
74) Projeto Final – Power BI – Estrutura do Dashboard
75) Projeto Final – Power BI – Gráfico de Linhas
76) Projeto Final – Power BI – Gráfico de Barras
77) Projeto Final – Power BI – Gráfico de Barras Empilhadas
78) Projeto Final – Power BI – Dashboard Final
Exercícios
Muitos exercícios foram elaborados para você colocar em prática tudo o que está aprendendo ao longo do curso. Você irá criar gráficos, montar dashboards e rodar modelos de machine learning com os seguintes conjuntos de dados:
- Preços de imóveis
- Consumo de energia
- Escolha de desodorante
- Diagnóstico de câncer de mama
- Classificação de tipos de flores
- Admissão de estudantes em processo seletivo
- Dados de casas para alugar
O QUE OS ALUNOS ESTÃO DIZENDO?
Pré-requisitos
Esse curso é para iniciantes, portanto nenhum conhecimento prévio é necessário, pois tudo será ensinado ao longo do curso.
Apenas é necessário que você possua um computador (desktop ou notebook) com conexão à internet.
Aproveite essa promoção especial
Você pode ter acesso ao material de machine learning mais didático do mercado por apenas R$ 249,00. Ainda pode parcelar em até 12x de R$ 24,26.
Logo após a confirmação da compra, você receberá um e-mail automaticamente com os dados de acesso ao curso!
Se você não se sentir satisfeito, pode solicitar o reembolso em até 7 dias úteis.