Curso de Machine Learning com R: Módulo II

Aprenda algoritmos avançados!

CONTEÚDO DAS AULAS

1) Substituindo dados missing com um modelo de regressão (Teoria)

2) Substituindo dados missing com um modelo de regressão (Aplicação prática em R)

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 R + apresentação do exercício)

7) Clustering K Means (solução do exercício)

8) Principal Component Analysis – PCA (conceito + matemática: o que o algoritmo faz debaixo dos panos)

9) Principal Component Analysis (aplicação prática em R)

10) Métodos Ensemble (conceito)

11) Random Forest (conceito + matemática: o que o algoritmo faz debaixo dos panos)

12) Random Forest (aplicação prática em R)

13) Random Forest (apresentação do exercício)

14) Random Forest (solução do exercício – parte 1)

15) Random Forest (solução do exercício – parte 2)

16) ExtraTrees (conceito + matemática: o que o algoritmo faz debaixo dos panos)

17) ExtraTrees (aplicação prática em R)

18) ExtraTrees (apresentação do exercício)

19) ExtraTrees (solução do exercício)

20) AdaBoost (conceito + matemática: o que o algoritmo faz debaixo dos panos)

21) AdaBoost (aplicação prática em R)

22) AdaBoost (ajuste fino de parâmetros)

23) Gradient Boosting (conceito + matemática: o que o algoritmo faz debaixo dos panos) – parte 1

24) Gradient Boosting (conceito + matemática: o que o algoritmo faz debaixo dos panos) – parte 2

25) Gradient Boosting (aplicação prática em R)

26) Gradient Boosting (apresentação do exercício)

27) Gradient Boosting (solução do exercício – parte 1)

28) Gradient Boosting (solução do exercício – parte 2)

29) Bagging (conceito + matemática: o que o algoritmo faz debaixo dos panos)

30) Bagging (aplicação prática em R)

31) Bagging (apresentação do exercício)

32) Bagging (solução do exercício)

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 R)

36) SVM (apresentação do exercício)

37) SVM (solução do exercício)

38) Exercício prático final

39) Solução do exercícío prático final

40) 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
  • 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

profissional de machine learning no celular

O QUE OS ALUNOS ESTÃO DIZENDO? 

depoimento dos alunos

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 R para Machine Learning, validação cruzada, ajuste de parâmetros em modelos de machine learning 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.

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.