Fundamentos e Aplicações de Machine Learning
Iniciando a jornada em Inteligência Artificial com os principais conceitos e modelos
Edson Junior
Cientista de Dados | Python | SQL | Analista de Dados | Modelagem | Estatística
20 horas
1 capítulo
Intermediário
Adquirir acesso
Descrição do Curso
Conteúdo do Curso
1
Introdução ao Curso e Instrutor
Apresentação do instrutor e do curso
2
Fluxo de Trabalho da EDA
Processo e Detalhes da EDA
3
Visualização de Dados
Conceitos envolvendo Visualização de Dados
4
Iniciando Projeto Prático e Carregando Dados
Concatenando várias bases em um único dataframe
5
Análise Exploratória (Parte 1)
Explorando e Entendendo os Dados
6
Análise Exploratória (Parte 2)
Aplicando ProfileReport e Verificando Correlações
7
Análise Exploratória (Parte 3)
Entendendo distribuição das vendas por estado e tendência de vendas mensal
8
Análise Exploratória (Parte 4)
Explorando as características dos princípios em torno das vendas
9
Análise Exploratória (Parte 5)
Principios ativos em torno do Sexo
1
Limpeza de Dados: Tratando Dados Nulos e Duplicados
Como lidar com registros nulos e duplicados
2
Normalização e Padronização
Trabalhando as distribuições de dados numéricos
3
Tratamento de Variáveis Categóricas
Lidando com agrupamentos e balanceamento de classes
4
Introdução ao Projeto de Limpeza de Dados
Entendendo e Ajustando os Dados
5
Projeto - Tratando Dados Nulos e Duplicados
Aplicando diferentes estratégias de tratamento
6
Projeto - Normalização e Padronização dos Dados
Aplicando processamento para normalizar e padronizar dados
1
Introdução ao Feature Engineering
Transformação e criação de novas variaveis
2
Discretização
Convertendo variáveis contínuas em discretas
3
Features Polinomiais
Combinações não lineares de features
4
Extraindo Data/Hora e Transformação Logarítmica
Lidando com o tempo e reduzindo a escala
1
Introdução ao Feature Selection
Compreendendo os conceitos
2
Mutual Information
Explorando dependência entre variáveis
3
Anova
Detectando diferença significativa
4
Chi-Quadrado
Verificando associação entre categóricas
5
Analise Univariada da Performance do Modelo
Avaliando as melhores variaveis
6
Wrapper Methods
Validando utilidades de variaveis
7
Embedded Methods
Realizando seleção durante o treinamento
O que Você Vai Aprender
- Análise Exploratória de Dados
- Limpeza e Preparação de Dados
- Técnicas de Feature Engineering e Feature Selection
- Conceitos Fundamentais em Machine Learning
- Validação Cruzada
- Abordagens para Dados Desbalanceados
- Funções de Custo e Gradiente Descendente
- Modelagem e Avaliação
- Regressão Logística
- Árvores de Decisão
- Naive Bayes
- SVMs (Support Vector Machines)
- K-Nearest Neighbors (KNN)
- Regularização em Machine Learning