Setembro 5, 2019

Curso de Machine Learning Online (com R) – Módulo I

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:

1) Introdução a Machine Learning e IA

2) Viés e variância de modelos (teoria)

3) Visão geral dos algoritmos de machine learning

4) Regressão linear (conceito + matemática: o que o algoritmo faz debaixo dos panos)

5) Regressão linear (aplicação prática em R: resolvendo um problema – Parte I)

6) Regressão linear (aplicação prática em R: resolvendo um problema – Parte II)

7) Regressão linear (aplicação prática em R: resolvendo um problema – Parte III)

8) Regressão linear (apresentação do exercício)

9) Regressão linear (solução do exercício)

10) Pré-processamento: dados missing

11) Pré-processamento (exercício & solução)

12) Feature selection: correlação

13) Correlação (exercício & solução)

14) Ridge regression (conceito + matemática: o que o algoritmo faz debaixo dos panos)

15) Ridge regression (aplicação prática em R: resolvendo um problema)

16) Regularização L1, L2 e regressão Lasso

17) Lasso regression (aplicação prática em R: resolvendo um problema)

18) Elastic net (conceito + matemática: o que o algoritmo faz debaixo dos panos)

19) Elastic net (aplicação prática em R: resolvendo um problema)

20) Comparando diferentes modelos em um único código

21) Escolha de um modelo de regressão (apresentação do exercício)

22) Escolha de um modelo de regressão (solução do exercício)

23) Pacote Caret (linguagem R)

24) Validação cruzada Kfold (teoria: o que o algoritmo faz debaixo dos panos)

25) Validação cruzada Kfold (aplicação prática em R)

26) Busca de parâmetros em um modelo (aplicação prática em R)

27) Teste de parâmetros específicos em um modelo (aplicação prática em R)

28) Regressão logística (conceito + matemática: o que o algoritmo faz debaixo dos panos)

29) Regressão logística (aplicação prática em R: resolvendo um problema)

30) Regressão logística (ajuste fino de parâmetros)

31) Regressão logística (apresentação do exercício)

32) Regressão logística (solução do exercício)

33) Medição de desempenho Confusion Matrix (teoria e prática)

34) Medição de desempenho ROC/AUC (conceito + matemática: o que o algoritmo faz debaixo dos panos)

35) Medição de desempenho ROC/AUC (aplicação prática em R)

36) Normalizando dados na linguagem R

37) KNN (conceito + matemática: o que o algoritmo faz debaixo dos panos)

38) KNN (aplicação prática em R: resolvendo um problema)

39) KNN (apresentação do exercício)

40) KNN (resolução do exercício)

41) Teorema de Bayes (conceito teórico)

42) Gaussian, Multinomial (Poisson), Bernoulli (o que os algoritmos Naive Bayes fazem debaixo dos panos)

43) Suavização de Laplace

44) Naive Bayes (aplicação prática em R: resolvendo um problema)

45) Decision Trees (conceito + matemática: o que o algoritmo faz debaixo dos panos) – Parte 1: entropia

46) Decision Trees (conceito + matemática: o que o algoritmo faz debaixo dos panos) – Parte 2: índice GINI

47) Decision Trees: evitando overfitting

48) Decision Trees (conceito + matemática: o que o algoritmo faz debaixo dos panos) – Parte 3: regressão

49) 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

50) Decision Trees Classifier (aplicação prática em R: resolvendo um problema)

51) Decision Trees Classifier (ajustando os parâmetros)

52) Decision Trees Regressor (aplicação prática em R: resolvendo um problema)

53) Decision Trees Regressor (ajustando os parâmetros)

54) Decision Trees (apresentação do exercício)

55) Decision Trees (resolução do exercício)

56) Feature selection: qui-quadrado (conceito + matemática: o que o algoritmo faz debaixo dos panos)

57) Feature selection: qui-quadrado (aplicação prática em R)

58) Feature selection: p-value (conceito + aplicação prática em R)

59) Como acelerar o processamento de um algoritmo no seu computador

60) Apresentando o exercício prático final

61) Solução do exercício prático final – Parte 1

62) Solução do exercício prático final – Parte 2

63) 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

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 já está pronto. Os alunos do módulo 1 tem 50% de desconto para a realização do módulo 2!

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!