Curso prático de Classificação, Clusterização e Regressão de Dados (Data Classification, Clustering and Regression)

Sobre o Curso

No curso de Classificação, Clusterização e Regressão de Dados (Data Classification, Clustering and Regression) você se qualifica para construção e uso de algoritmos que "aprendem" a partir dos dados; reconhecer padrões e fazer predições.

Venha conhecer os recursos de Inteligência Artificial e capacidade para implementar outras estruturas computacionais de modo 100% EaD e assíncrono.

O curso foi desenvolvido com metodologia Hands On - "mão na massa" ou "aprender fazendo".

É totalmente prático, com tópicos que, durante todo processo de ensino, os alunos são desafiados em uma série de cenários cada vez mais complexos, uma intensa experiência imersiva em linguagem de programação (python) extremamente aplicável a situações do mundo real.

Progrida no mundo da Inteligência Artificial com Classificação, Clusterização e Regressão (Classification, Clustering and Regression).

Vem conosco e entre em modo IA-Labs.

Informações Gerais

O que você vai aprender

De forma detalhada:

• Criar e otimizar modelo para regressão e classificação

• Utilizar "Nearest Neighbours" para regressão e classificação

• Fazer agrupamento aglomerativo (Agglomerative Clustering)

• Fazer clusterização com o "Kmeans"

• Fazer clusterização baseado em afinidade

• Utilizar "DBSCAN Clustering"

• Utilizar a abordagem do deslocamento médio (MinShift)

• Utilizar a arvore de classificação e regressão

• Utilizar algoritmo de aprendizado de máquina "AdaBoost"

• Utilizar algoritmo de aprendizado de máquina "RandomForest"

• Utilizar algoritmo de aprendizado de máquina "GradientBoosting"

• Utilizar classificador e regressor multicamadas – "MLP - Multi Layer Perceptron"

• Utilizar classificador e regressor de reforço gradual "XgBoost"

• Utilizar classificador e regressor "CatBoost"

• Utilizar classificador e regressor "LightGBM"

• Utilizar classificador e regressor "SVM"

• Classificar com modelos lineares – "Multiclass Classification"

• Classificar com modelos lineares – "Naive Bayes"

• Classificar com modelos lineares – "Nearest Neighbors"

• Classificar com modelos lineares – "LDA e QDA"

• Classificar com modelos lineares – "Tree Model"

• Classificar com modelos lineares – "Ensemble Bagging Model"

• Classificar com modelos lineares – "Ensemble Boosting Model"

• Utilizar métrica de classificação e regressão

• Comparar algoritmos de classificação

• Implementar "Ensemble Model"

• Salvar modelos treinados

• Avaliar modelos com curvas de aprendizagem

• Paralelizar execução e validação cruzada no "XGBoost"

• Otimizar número de árvores no "XGBoost"

Pré-requisitos

Conhecimentos em linguagem de programação python.

Público-alvo

Iniciantes em programação, estudantes ou profissionais de tecnologia, como também todos os profissionais que tenham interesse nas trilhas de Inteligencia Artificial, na área da Ciência de Dados, Aprendizagem de máquina (Machine Learning), Aprendizagem Profunda (Deep Learning), Processamento de Linguagem Natural (NLP), Mineração de Texto (ou suas subdivisões: Text Mining, Text Processing, Text Analytics).

Como Funciona

• Horário flexível de estudo de acordo com sua disponibilidade

• Material didático disponibilizado na plataforma (conteúdo apostilado, vídeos e ilustrações)

• Acesso ao Portal IA-Labs após a matrícula

• Para concluir: estudo do material e questionário base "Quizz" com desempenho mínimo de 60%

• Certificado enviado por e-mail em até 5 dias após a conclusão

Importância das Técnicas

Classificação:

Baseia-se em prever a categoria de uma observação dada. Procura-se estimar um "classificador" que gere como saída a classificação qualitativa de um dado não observado com base em dados de entrada (que abrangem observações com classificações já definidas). Exemplo: um classificador que utilize dados não observados de um paciente e classifique-o como doente ou não-doente.

Clusterização (Agrupamento):

Também conhecido como "Clustering", tem como objetivo agrupar observações em grupos conhecidos como "clusters". Essas observações apresentam similaridades dentro de seu cluster e diferenças em relação aos demais clusters formados. Diferente da Classificação, não é realizada a rotulação dos clusters, fazendo com que não exista uma clusterização errada ou certa. A clusterização utilizada resulta em diferentes tipos de clusters, e a escolha dessas técnicas deve ser previamente analisada pelo pesquisador. Exemplo: agrupar fotos de animais similares em clusters, sem ter o conhecimento prévio de qual animal está sendo apresentado.

Regressão:

De forma similar a classificação, utiliza dados de entrada (preditores) já observados para prever uma resposta. A grande diferença é que, neste caso, procura-se estimar um valor numérico e não uma classificação de uma observação. Exemplo: estimar um modelo que utilize a idade e os anos de escolaridade de um indivíduo não-observado anteriormente para tentar prever seu salário. Utiliza-se como base desse modelo: idades, anos de escolaridades e salários de diversos indivíduos já observados anteriormente.