Programa do Curso
Introdução
Esta seção fornece uma introdução geral sobre quando usar 'machine learning', o que deve ser considerado e o que tudo isso significa, incluindo prós e contras. Tipos de dados (estruturado/desnstruturado/estático/em fluxo), validade/volume de dados, análise orientada por dados vs. orientada por usuários, modelos estatísticos vs. modelos de machine learning/desafios do aprendizado não supervisionado, compromisso entre viés e variância, iteração/avaliação, abordagens de validação cruzada, supervisionado/não supervisionado/reforço.
ASSUNTOS PRINCIPAIS
1. Compreendendo o Naive Bayes
- Conceitos básicos dos métodos bayesianos
- Probabilidade
- Probabilidade conjunta
- Probabilidade condicional com o teorema de Bayes
- O algoritmo de Naive Bayes
- A classificação por Naive Bayes
- O estimador de Laplace
- Usando recursos numéricos com Naive Bayes
2. Compreendendo árvores de decisão
- Dividir e conquistar
- O algoritmo de árvore de decisão C5.0
- Escolhendo a melhor divisão
- Poda da árvore de decisão
3. Compreendendo redes neurais
- De neurônios biológicos a neurônios artificiais
- Funções de ativação
- Topologia da rede
- O número de camadas
- A direção do fluxo de informações
- O número de nós em cada camada
- Treinando redes neurais com retropropagação (backpropagation)
- Aprendizado Profundo (Deep Learning)
4. Compreendendo Máquinas de Vetores de Suporte
- Classificação com hiperplanos
- Encontrando a margem máxima
- O caso de dados linearmente separáveis
- O caso de dados não linearmente separáveis
- Usando kernels para espaços não lineares
5. Compreendendo agrupamento (clustering)
- Agrupamento como uma tarefa de machine learning
- O algoritmo k-means para agrupamento
- Usando distância para atribuir e atualizar clusters
- Escolhendo o número apropriado de clusters
6. Medindo o desempenho para classificação
- Trabalhando com dados de predição de classificação
- Um olhar mais próximo às matrizes de confusão
- Usando matrizes de confusão para medir desempenho
- Mais além da precisão – outras medidas de desempenho
- Estatística kappa
- Sensibilidade e especificidade
- Precisão e recuperação (recall)
- A medida F
- Visualizando compromissos de desempenho (tradeoffs)
- Curvas ROC
- Estimando o desempenho futuro
- O método de retenção (holdout)
- Validação cruzada
- Amostragem bootstrap
7. Ajustando modelos padrão para melhor desempenho
- Usando caret para ajuste automático de parâmetros
- Criando um modelo ajustado simples
- Personalizando o processo de ajuste
- Melhorando o desempenho do modelo com meta-learning
- Compreendendo conjuntos (ensembles)
- Bagging
- Boosting
- Random forests
- Treinando random forests
- Avaliando o desempenho de random forests
ASSUNTOS SECUNDÁRIOS
8. Compreendendo classificação usando vizinhos mais próximos
- O algoritmo kNN
- Calculando distância
- Escolhendo um k apropriado
- Preparando dados para uso com kNN
- Por que o algoritmo kNN é preguiçoso (lazy)?
9. Compreendendo regras de classificação
- Separar e conquistar
- O algoritmo One Rule
- O algoritmo RIPPER
- Regras de árvores de decisão
10. Compreendendo regressão
- Regressão linear simples
- Estimação de mínimos quadrados ordinários
- Correlações
- Regressão linear múltipla
11. Compreendendo árvores de regressão e modelos de árvore
- Adicionando regressão às árvores
12. Compreendendo regras de associação
- O algoritmo Apriori para aprendizado de regras de associação
- Medindo o interesse da regra – suporte e confiança
- Construindo um conjunto de regras com o princípio de Apriori
Extras
- Spark/PySpark/MLlib e Multi-armed bandits
Requisitos
Conhecimento em Python
Testemunhos de Clientes (7)
Aproveitei muito o treinamento e apreciei a exploração mais profunda do assunto de Aprendizado de Máquina. Gostei do equilíbrio entre teoria e aplicações práticas, especialmente as sessões práticas de codificação. O instrutor forneceu exemplos envolventes e exercícios bem estruturados que aprimoraram a experiência de aprendizagem. O curso abordou uma ampla gama de tópicos, e Abhi demonstrou excelente expertise ao responder todas as perguntas com clareza e facilidade.
Valentina
Curso - Machine Learning
Máquina Traduzida
Apreciei o atividade que me ajudou a entender a teoria e aplicá-la passo a passo. Além disso, a maneira como o instrutor explicava tudo de forma simples e clara foi muito útil. Foi fácil de seguir mesmo eu não tendo muita experiência com Python, ainda assim, não quis perder a oportunidade de aprender algo que realmente me interessa. Também apreciei a variedade de informações fornecidas e a disponibilidade do instrutor para explicar e nos apoiar no entendimento dos conceitos. Após este curso, os conceitos de machine learning ficaram muito mais claros para mim, e agora sinto que tenho uma direção e um melhor entendimento do assunto.
Cristina
Curso - Machine Learning
Máquina Traduzida
Ao final do treinamento, pude ver o uso prático dos assuntos apresentados na vida real.
Daniel
Curso - Machine Learning
Máquina Traduzida
Gostei do ritmo, gostei do equilíbrio entre teoria e prática, dos principais tópicos abordados e da maneira como o instrutor conseguiu equilibrar tudo. Também adorei a infraestrutura de treinamento, muito prático para trabalhar com VMs
Andrei
Curso - Machine Learning
Máquina Traduzida
Mantendo curto e simples. Criando intuição e modelos visuais em torno dos conceitos (gráfico de árvore de decisão, equações lineares, calculando y_pred manualmente para demonstrar como o modelo funciona).
Nicolae - DB Global Technology
Curso - Machine Learning
Máquina Traduzida
Isso me ajudou a alcançar meu objetivo de entender ML. Muito respeito pelo Pablo por fornecer uma introdução adequada neste tópico, pois fica evidente após 3 dias de treinamento o quão vasto esse assunto é. Também gostei MUITO da ideia das máquinas virtuais que vocês proporcionaram, que tinham um excelente tempo de resposta! Isso permitiu que cada participante realizasse experimentos no seu próprio ritmo.
Silviu - DB Global Technology
Curso - Machine Learning
Máquina Traduzida
A forma prática, ver a teoria se concretizando em algo prático é ótima.
Lisa Fekade - Vodacom
Curso - Machine Learning
Máquina Traduzida
