Clicky

Matemática para Machine Learning – Curso

matematica para machine learning

Você está interessado em aprender machine learning e inteligência artificial, mas precisa fortalecer sua base matemática primeiro? Não se preocupe, criamos o curso abaixo para suprir essa necessidade.

A área de aprendizado de máquina utiliza muitos conceitos de matemática, porém se você for tentar estudar esses conceitos por conta própria, talvez fique perdido com a quantidade de conteúdo, sem um direcionamento daquilo que é o mais importante.

Existem conceitos que são imprescindíveis para um bom entendimento dos algoritmos de machine learning, e é justamente esse o foco desse curso. Em vez de reunir pilhas e pilhas de aulas de matemática que não têm uma aplicação direta no aprendizado de máquina, optamos por simplificar e trazer realmente os conceitos que você precisará dominar, de forma bastante objetiva.aprendizado de máquina utiliza muitos conceitos de matemática, porém se você for tentar estudar esses conceitos por conta própria, talvez fique perdido com a quantidade de conteúdo, sem um direcionamento daquilo que é o mais importante.

A partir desse direcionamento, você estará no caminho mais rápido rumo ao domínio do machine learning. Depois, quando você já tiver aprendido vários algoritmos e técnicas de machine learning diferentes, poderá se aprofundar na matemática que rege o algoritmo específico que você se interessou mais, tendo em vista uma especialização ou ainda uma área de pesquisa. Porém, em um primeiro momento, ter uma visão geral (holística) dessa área é fundamental.

Organizamos abaixo uma série de aulas que estão disponíveis em nosso canal do Youtube, formando o curso de matemática para machine learning. Caso você não seja da área das exatas, recomendamos que inicie o curso fundamentos de matemática. Em cada uma das aulas abaixo, faremos referência aos vídeos de matemática básica que fundamentam aqueles conceitos, para facilitar seu estudo e organização. Ou seja, você pode começar diretamente no curso abaixo e consultar as referências mencionadas nos vídeos se sentir necessidade.

Aula 0: como estudar esse curso

Aula 1: limites e continuidade de funções

Objetivo: aprender os fundamentos do cálculo diferencial e integral. Ao compreender o que são limites laterais e o conceito de continuidade de funções, você rapidamente irá entender de onde surge o cálculo da derivada.

Aula 2: derivada

Objetivo: aprender um dos conceitos de matemática mais importantes para o machine learning: taxa de variação. Iremos deduzir a fórmula da derivada a partir da definição de limite em funções.

Aula 3: derivadas parciais

Objetivo: saber derivar uma função em relação a mais de uma variável. No mundo do machine learning, geralmente trabalhamos com muitas variáveis preditoras, por isso é importante saber realizar diferenciações parciais.

Aula 4: pontos máximos e mínimos

Objetivo: compreender os conceitos de pontos de máximo e mínimo de funções, bem como a diferença entre mínimos locais e mínimos globais (onde a derivada é igual a zero).

Aula 5: distribuição normal – gaussiana

Objetivo: entender a essência da distribuição normal. Em vez de simplesmente realizar cálculos de probabilidade consultando tabelas, iremos navegar no conceito de distribuição normal, para que você consiga entender o que isso significa e o que são dados normalmente distribuídos.

Aula 6: vetores

Objetivo: aprender operações básicas entre vetores, bem como o conceito de vetores. Alguns algoritmos de machine learnig (como SVM – support vector machines) fundamentam-se em cálculo vetorial, realizando normalização vetorial, projeção de vetores, multiplicação escalar, entre outras operações que são importantes você dominar.

Aula 7: normalização

Objetivo: saber a importância da normalização, para que serve essa técnica e quando faz sentido utilizar. Também mostraremos o tipo de cálculo mais comum de normalização de dados para você ver como é simples.

Aula 8: MAE x MSE

Objetivo: aprender a diferença entre os conceitos de erro médio absoluto (MAE) e erro médio quadrático (MSE). Esses nomes vêm do inglês (Mean Absolute Error – MAE; Mean Square Error – MSE). Servem como verificação da eficácia dos modelos.

Aula 9: coeficiente R2

Objetivo: aprender o que é o coeficiente de determinação R2 e o que significa na prática (como interpretar o resultado).

Aula 10: R2 ajustado

Objetivo: entender a diferença entre o coeficiente R2 e R2 ajustado olhando para a fórmula.

Aula 11: função Sigmóide

Objetivo: entender a função sigmóide e sua importância para a binarização dos dados.

Aula 12: Teorema de Bayes

Objetivo: aprender o teorema de Bayes com um exemplo prático, focando bastante no conceito e na armadilha da intuição que o teorema resolve. Esse conceito serve como fundamento para o algoritmo de Naive Bayes.

Aula 13: Gradiente Descendente

Objetivo: compreender como um algoritmo de aprendizado de máquina funciona a partir do gradiente descendente (essencial para regressão linear, redes neurais, entre outros).

Confira também a lista completa com todos os nossos cursos:

Cursos diferenciados pela didática (100% de aprendizado)

cursos