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 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)
Pré-processamento
10) Pré-processamento: dados missing
11) Pré-processamento (exercício & solução)
12) Feature selection: correlação
13) Correlação (exercício & solução)
Outros modelos de regressão linear
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)
Validação cruzada e ajuste fino dos parâmetros
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)
Regressão Logística
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)
Confusion matrix e normalização
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
KNN
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)
Naive Bayes
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)
Decision Trees
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)
Feature Selection
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
Testando seus conhecimentos
60) Apresentando o exercício prático final
61) Solução do exercício prático final – Parte 1
62) Solução do exercício prático final – Parte 2
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 já está pronto. 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 aos módulos I e II juntos com com um excelente desconto! Por apenas R$ 297,00 (ou em até 12x de R$ 28,94) no botão abaixo:
Se você não se sentir satisfeito, pode solicitar o reembolso em até 7 dias úteis.