Uma boa explicação resolve tudo!
- 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
Conceitos básicos
1) Introdução a Machine Learning e IA
2) Viés e variância de modelos (teoria)
3) Visão geral dos algoritmos de machine learning
Regressão Linear
4) Regressão linear (conceito + matemática: o que o algoritmo faz debaixo dos panos)
5) Regressão linear (aplicação prática em Python: resolvendo um problema – Parte I)
6) Regressão linear (aplicação prática em Python: resolvendo um problema – Parte II)
7) Regressão linear (apresentação do exercício)
8) Regressão linear (solução do exercício)
9) Random State na divisão entre treino e teste
Pré-processamento
10) Pré-processamento: adequação dos tipos de dados (int, float, str…)
11) Pré-processamento: dados missing
12) Pré-processamento (exercício & solução)
13) Feature selection: correlação
14) Correlação (exercício & solução)
Outros Modelos de Regressão Linear
15) Ridge regression (conceito + matemática: o que o algoritmo faz debaixo dos panos)
16) Ridge regression (aplicação prática em Python: resolvendo um problema)
17) Regularização L1, L2 e regressão Lasso
18) Lasso regression (aplicação prática em Python: resolvendo um problema)
19) Elastic net (conceito + matemática: o que o algoritmo faz debaixo dos panos)
20) Elastic net (aplicação prática em Python: resolvendo um problema)
21) Comparando diferentes modelos em um único código
22) Escolha de um modelo de regressão (apresentação do exercício)
23) Escolha de um modelo de regressão (solução do exercício)
Validação Cruzada e Ajuste Fino dos Parâmetros
24) Validação cruzada Kfold (teoria: o que o algoritmo faz debaixo dos panos)
25) Validação cruzada Kfold (aplicação prática em Python)
26) Validação cruzada Kfold (solução do exercício)
27) Validação cruzada StratifiedKFold (teoria)
28) Como calibrar os parâmetros para aumentar a performance de um modelo
29) Função Randomized Search (teoria e aplicação prática em Python)
30) Função GridsearchCV (teoria e aplicação prática em Python)
Regressão Logística
31) Regressão logística (conceito + matemática: o que o algoritmo faz debaixo dos panos)
32) Regressão logística (aplicação prática em Python: resolvendo um problema)
33) Regressão logística (ajuste fino de parâmetros)
34) Regressão logística (apresentação do exercício)
35) Regressão logística (solução do exercício)
Confusion Matrix e Normalização
36) Medição de desempenho Confusion Matrix (teoria e prática)
37) Medição de desempenho ROC/AUC (conceito + matemática: o que o algoritmo faz debaixo dos panos)
38) Medição de desempenho ROC/AUC (aplicação prática em Python)
39) Pré-processamento: normalizando dados em Python (utilizando as funções Normalizer, MinMaxScaler, StandardScaler, MaxAbsScaler)
KNN
40) KNN (conceito + matemática: o que o algoritmo faz debaixo dos panos)
41) KNN (aplicação prática em Python: resolvendo um problema)
42) KNN (ajuste fino de parâmetros)
43) KNN (apresentação do exercício)
44) KNN (resolução do exercício)
Naive Bayes
45) Teorema de Bayes (conceito teórico)
46) GaussianNB, MultinomialNB, BernoulliNB (o que os algoritmos Naive Bayes fazem debaixo dos panos)
47) Suavização de Laplace
48) Naive Bayes (aplicação prática em Python: resolvendo um problema)
49) Naive Bayes (apresentação do exercício)
50) Naive Bayes (solução do exercício)
Decision Trees
51) Decision Trees (conceito + matemática: o que o algoritmo faz debaixo dos panos) – Parte 1: entropia
52) Decision Trees (conceito + matemática: o que o algoritmo faz debaixo dos panos) – Parte 2: índice GINI
53) Decision Trees: evitando overfitting
54) Decision Trees (conceito + matemática: o que o algoritmo faz debaixo dos panos) – Parte 3: regressão
55) 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
56) Decision Trees Classifier (aplicação prática em Python: resolvendo um problema)
57) Decision Trees Classifier (mostrando a árvore com graphviz)
58) Decision Trees Classifier (ajustando os parâmetros)
59) Decision Trees Regressor (aplicação prática em Python: resolvendo um problema)
60) Decision Trees Regressor (ajustando os parâmetros)
61) Decision Trees (apresentação do exercício)
62) Decision Trees (resolução do exercício)
63) Escolhendo outros tipos de scoring
Feature Selection
64) Pré-processamento: one hot encoding e concatenação
65) Pré-processamento: outliers
66) Feature selection: qui-quadrado (conceito + matemática: o que o algoritmo faz debaixo dos panos)
67) Feature selection: qui-quadrado (aplicação prática em Python)
68) Feature selection: f_classif (conceito + matemática: o que o algoritmo faz debaixo dos panos)
69) Feature selection: f_classif (aplicação prática em Python)
70) Feature selection: eliminação recursiva (aplicação prática em Python)
71) Como acelerar o processamento de um algoritmo no seu computador
Testando seus conhecimentos
72) Apresentando o exercício prático final
73) Solução do exercício prático final
74) Bônus
75) Teste dos 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:
- Admissão de estudantes em processo seletivo
- Diagnóstico de doença na coluna
- Diagnóstico de câncer de mama
- Classificação de tipos de flores
- Escolha de desodorante
- Classificação de tipo de fermentação de cerveja
O QUE OS ALUNOS ESTÃO DIZENDO?
Esses são apenas alguns comentários, você pode conferir mais comentários nessa página.
Pré-requisitos
Esse curso é para iniciantes, portanto nenhum conhecimento prévio é necessário, nem mesmo de programação, pois tudo será ensinado ao longo do curso.
Apenas é necessário que você possua um computador (desktop ou notebook) com conexão à internet.
Preparação para o futuro
Todo esse conteúdo corresponde ao módulo 1 de machine learning. O módulo 2 está disponível e você pode conferir aqui. O módulo 3, que aborda conceitos mais avançados como redes neurais e deep learning, está disponível aqui. O módulo 4 você pode conferir aqui. Ao adquirir mais de um módulo, você tem direito a descontos especiais!
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!
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