SOBRE O MACHINE LEARNING
Machine Learning, ou Aprendizagem de Máquina, é um campo de estudo que ensina computadores a analisarem e classificarem padrões de dados ao ponto de fazerem previsões em grande escala. Aprendem sem terem sido programados para isto.
Trazendo ao nosso cotidiano, podemos encontrar essa estratégia em aplicativos ou plataformas de streaming como Netflix, Spotify, Google Maps e Waze. Históricos de conteúdos reproduzidos ou rejeitados pelo usuário são acessados pelo Machine Learning para realizar uma análise e gerar recomendações condizentes com os seus gostos.
Além disso, com a aprendizagem de máquina é possível aumentar a capacidade humana de resolver problemas e se antecipar a riscos, com base nos resultados levantados pelos programas.
Carga horária:
32horas – 2h/semana – 16 semanas (possível dividir por 2)
Modalidade:
Ao vivo via web – Assista aula sem sair de casa, presencial ou híbrido
Alunos:
12/16 alunos por turma
Professores:
Professor Osmar
OBJETIVO DO CURSO
Qualificar os alunos em uma das áreas com maior demanda profissional atualmente. Além disso, você irá:
• Desenvolver um projeto passo a passo de como solucionar um problema de negócio utilizando Machine Learning; :
• Implementar Algoritmos de Busca e Otimização; :
• Construir Sistemas Baseados na Opinião de Especialistas; :
• Reconhecer Caracteres com Redes Neurais Artificias e Deep Learning; :
• Criar modelo de mecanismos de análise de emoções; :
• Criar Aplicações Web de Inteligência Artificial; :
• Criar um sistema de Machine Learning com algoritmos, processos automatizados e interativos; :
E muito mais.
• Desenvolver um projeto passo a passo de como solucionar um problema de negócio utilizando Machine Learning; :
• Implementar Algoritmos de Busca e Otimização; :
• Construir Sistemas Baseados na Opinião de Especialistas; :
• Reconhecer Caracteres com Redes Neurais Artificias e Deep Learning; :
• Criar modelo de mecanismos de análise de emoções; :
• Criar Aplicações Web de Inteligência Artificial; :
• Criar um sistema de Machine Learning com algoritmos, processos automatizados e interativos; :
E muito mais.
PARA QUEM É O CURSO
É ideal para estudantes de 10 a 20 anos que queiram aprimorar suas habilidades na área da Ciência da Computação.
Pessoas que desejam aplicar machine learning para inferir padrões em bases de dados.
Pessoas que desejam aplicar machine learning para inferir padrões em bases de dados.
PRÉ-REQUISITOS
Conhecimentos mínimos de Python. O curso foi ministrado com uso do Python Anaconda versão 3.7. A instalação desse software é recomendável para o acompanhamento do curso e a execução das demonstrações dadas nas aulas.
É preciso ter também conceitos Básicos de Estatística e Lógica de Programação.
Internet com boa qualidade para transmissão de aulas ao vivo
É preciso ter também conceitos Básicos de Estatística e Lógica de Programação.
Internet com boa qualidade para transmissão de aulas ao vivo
CONTEÚDO PROGRAMÁTICO:
Introdução ao Machine Learning
• O que é Machine Learning?
• Como funciona o Machine Learning
• Como funciona o Machine Learning
Aprendizagem supervisionada
• Aprendizagem supervisionada
KNN
• KNN
• KNN na prática
• KNN na prática
Árvore de decisão
• Árvore de decisão
• Árvore de decisão na prática
• Árvore de decisão na prática
Regressão linear
• Regressão linear
• Regressão linear na prática
• Regressão linear na prática
Árvore de regressão
• Árvore de regressão
• Árvore de regressão na prática
• Árvore de regressão na prática
Aprendizagem não supervisionada
• Aprendizagem não supervisionada
Agrupamento
• Agrupamento
K-means
• K-means
• K-means na prática
• K-means na prática
Sistema de recomendação
• Sistema de recomendação
Algoritmo Apriori
• Algoritmo Apriori
• Algoritmo Apriori na prática
• Algoritmo Apriori na prática
Outros tipos de aprendizagem
• Outros tipos de aprendizagem
Como avaliar os modelos
• Classificação
• Regressão
• Agrupamento
• Regressão
• Agrupamento
Validação cruzada
• Validação cruzada
Preparação dos dados
• Preparação dos dados
Projeto
• Exploração dos dados
• Preparação dos dados: valores ausentes
• Preparação dos dados variáveis categóricas e normalização
• Modelagem
• Deploy
• Preparação dos dados: valores ausentes
• Preparação dos dados variáveis categóricas e normalização
• Modelagem
• Deploy
