Abril 21, 2019

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 um 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.

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: