Formação Aprendizado de Máquina (Machine Learning)

Sobre o Curso

Venha entender os princípios de design e as aplicações da IA ​​em vários setores. O objetivo é que você crie uma abordagens de produto baseada em IA, que pode ser apresentada aos seus stakeholders internos ou investidores. Você aprenderá os vários estágios envolvidos no design de produtos baseados em IA juntamente com os algoritmos de aprendizado de máquina, e aplicará os insights para resolver problemas práticos.

Saiba como a implantação das tecnologias de IA certas em sua organização pode ajudá-lo a automatizar tarefas rotineiras, obter insights por meio da análise de dados e interagir melhor com os clientes.

Dado o amplo espectro de aplicações da IA ​​nas organizações, não é surpresa que o Especialista em Machine Learning seja um dos cargos mais bem avaliado no relatório de empregos do LinkedIn desde 2020. Com uma taxa de crescimento anual superior a 70% para esta posição, todos os setores estão procurando por talentos de Machine Learning.

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 teoria complementar e 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.

Desenvolva-se no mundo da Inteligência Artificial com a Formação Aprendizado de Máquina (Machine Learning).

Vem conosco e entre em modo IA-Labs.

Informações Gerais

O que você vai aprender

O curso abrange diversos tópicos essenciais para Machine Learning:

Introdução à Ciência de Dados - Uso de vetores, matrizes e dicionários:

• Criar vetores ou matrizes

• Criar matrizes esparsas

• Redimensionar array "Numpy"

• Converter dicionários em matrizes

• Inverter matriz ou "nArray"

• Calcular diagonal da matriz

• Calcular determinante de uma matriz

• Transformar matriz em vetor

• Calcular: média, desvio padrão e variância

• Encontrar classificação de uma matriz (rank)

• Máximos e mínimos de uma matriz

• Adicionar valor numérico a um elemento de matriz

• Calcular produto de dois (02) vetores

• Adicionar, subtrair, multiplicar e dividir – valor numérico para cada elemento da matriz

• Adicionar e subtrair entre duas (02) matrizes

• Ler características de um dicionario

   

  Pré-Processamento de Dados - Representação e a qualidade dos dados:

• Carregar e trabalhar dados via sklearn (dataset Boston)

• Criar dados simulados para regressão

• Criar dados simulados para classificação

• Criar dados simulados para armazenamento em cluster

• Preparar um fluxo de trabalho de aprendizado de máquina

• Converter recursos (características) categóricos em recursos numéricos

• Imputar rótulos de classes ausentes

• Imputar rótulos de classes ausentes usando método "vizinho próximo"

• Excluir instâncias com valores ausentes

• Como fazer operações numéricas

• Como encontrar outliers

• Codificar recursos categóricos ordinais

• Lidar com classes de desequilíbrio com redução da resolução

• Como lidar com classes de desbalanceadas

• Como lidar com outliers

• Imputar valores ausentes com médias

• Codificação com vários rótulos

• Codificação com recursos nominais categóricos

• Processar recursos categóricos

• Redimensionar recursos

• Padronizar recursos

• Padronizar dados "IRIS"

• Dividir dados DateTime ("features") para criar vários recursos

• Calcular a diferença entre datas

• Codificar os dias da semana

• Tratar valores ausentes em uma série temporal

• Como introduzir o tempo "LAG" (lagged time-series)

• Como lidar com "Janelas de Tempo"

• Selecionar DateTime dentro de um intervalo

• Selecionar DateTime [formato (PM) ou (AM)] dentro de um intervalo

• Como trabalhar itens em uma lista

   

  Análise de Dados:

• Análise de Componentes Principais (PCA)

• Análise da Variância (ANOVA)

• Curva Característica de Operação do Receptor (Curva ROC)

• Trabalhar os Hiperparâmetros

• Descrever a relação entre uma variável Y e uma X

• Uso da biblioteca “Seaborn”

   

  Classificação, Clusterização e Regressão:

• 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”

   

  Visualização de Dados:

• Autocorrelação (ACF) e Autocorrelação Parcial (PACF)

• Pizza com destacamento

• Plotagem de textos

• Divergências de escala

• Densidade

• Series temporais múltiplas com escalas

• Boxplot

• Correlograma – "Correllogram"

• Curvas de densidade – "Cross Correlation"

• Decomposição de serie temporal

• Dispersão com linha de regressão linear de melhor ajuste

• Área

• Barras

• Bolha – "Bubble"

• Cascata- "Waterfall"

• Lotes em par – "Pairwise"

• Histograma empilhado

• Variáveis continuas (Histograma)

• Histogramas marginais – "Marginal Boxplot"

• Quadro de marcadores – "Lollipop"

• Piramide populacional

• Diagramas de dispersão – "Scatter"

• Anotações de picos e vales em series temporais

• Cilindros – "Cylinder"

• Feixes sólidos – "Joy"

• Dado sazonal

   

  Projetos práticos (casos de uso) do nível iniciante ao avançado:

• Ecossistema de Aprendizagem de Máquina (ML)

• Manipulação de dados - Pandas

• Arranjos multidimensionais - NumPy

• Criação de gráficos e visualizações de dados com Matplotlib

• Estatística descritiva - Entendendo os dados

• Preparação de dados

• Seleção de Características (RFE - Recursive Feature Elimination)

• Reamostragem - Validacao Cruzada

• Métricas de Desempenho (performance)

• Algoritmos de Classificação - DecisionTree, RandonForest, ExtraTrees

• Algoritmos de Regressão

• Modelos Generalizados

• Análise Discriminante Linear e Quadrática

• Máquina de Vetor de Suporte

• Árvore de Decisão

• Naive Bayes

• Comparando algoritmos de Aprendizagem de Máquina

• Fluxos de trabalho (workflows) com "pipelines" (processo contínuo)

• Uso de "Ensembles" (conjunto de algoritmos)

• Uso de "Bagging Ensembles"

• Uso de "Boosting" - técnica Ensemble

• Uso de "Voting Ensembles"

• Ajuste de "Hiper Parâmetros" - Tuning

• Anásile comparativa sobre ANNs, Bagging e Boosting

• Como "Salvar" e/ou "Carregar" Modelos de Aprendizagem de Máquina

   

  Projeto Final:

• Carregar as Bibliotecas de trabalho (todas que se fizerem necessárias)

• Carregar os conjuntos de dados com sua biblioteca de preferência

• Sumarizar os dados carregados para compreender o conjunto das informações

• Visualizar os dados para compreender o conjunto das informações

• Preprocessar os dados, aplicar limpeza e transformação

• Utilizar um algoritmo de aprendizado ao conjunto de dados de treino

• Finalizar o modelo treinado e fazer a previsão

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 do 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

O que é Aprendizado de Máquina (Machine Learning)?

A tecnologia de aprendizagem de máquina é considerada um subcampo da Inteligência Artificial, que trabalha com a ideia de que as máquinas podem aprender sozinhas ao terem acesso a grandes volumes de dados. A definição mais simples é que as máquinas podem detectar padrões e criar conexões entre dados, e algoritmos sofisticados, para aprenderem sozinhas a executar uma tarefa.

Como funciona?

Basicamente, os algoritmos utilizam análises estatísticas aprimoradas sobre os dados que recebem, resultando em respostas e previsões mais precisas. O Machine Learning permite que as aplicações de software se tornem mais "inteligentes" e preditivas, sem que seja necessário programá-las com frequência para que elas "aprendam".

Qual a importância do machine learning?

O interesse no aprendizado de máquina se deve aos mesmos fatores que tornaram a mineração de dados mais popular do que nunca: coisas como os crescentes volume e variedade de dados disponíveis, o processamento computacional mais barato e poderoso, o armazenamento de dados acessível etc. Tudo isso significa que é possível produzir, rápida e automaticamente, modelos capazes de analisar dados maiores e mais complexos, e entregar resultados mais rápidos e precisos – mesmo em grande escala. E ao construir modelos precisos, uma organização tem mais chances de identificar oportunidades lucrativas – ou de evitar riscos desconhecidos.

Eis alguns exemplos de aplicações de machine learning, que você já deve ter ouvido falar:

• Os carros autônomos do Google? A essência do machine learning.

• Ofertas recomendadas pela Amazon ou Netflix? Aplicações de machine learning para o dia-a-dia.

• Saber o que seus clientes estão falando de você no Twitter? Machine learning combinado com criação de regras linguísticas.

• Detecção de fraudes e risco financeiro? Um dos usos mais óbvios e importantes de machine learning no mundo de hoje.