Machine Learning e Data Science com Linguagem Python e R.

Conteúdo do curso

·        Python

o   Configurando o Ambiente Para o Python

·         Baixando e instalando o python 3.5

·         Instalação do jupyter-notebook

·         Instalando dependências

·         Instalando pip

·         Instalando virtualenv

·         Baixando a ide pycharm

§  Configurando a ide

§  Configurando o ambiente virtual

§  Instalando o django no ambiente

§  Criando um projeto django

§  Configurando o projeto

o   Iniciando o projeto

• Introdução a programação
  • Tipos de dados
  • Tipagem dinâmica
  • Strings
  • Listas
  • Dicionários
  • Tuplas
  • Escrita e leitura de arquivos
  • Funções blocos
  • Classes e métodos

• Analise de dados
  • Numpy
    • Introdução a biblioteca
    • Array VS python list
    • Eficiência com NumPy
    • Slicing Arrays
    • Matrizes com listas
    • Matrizes com NumPy
    • Operações com matrizes
    • Visualizando dados com matplotlib
    • Inserindo elementos em um array
    • Adicionando elementos ao final de um array
    • Deletando elementos do array
    • Titile em um array
    • Dividindo um array
    • Arrays de zeros e uns
  • Biblioteca Pandas
    • Series
    • DataFrame
    • Index
    • Datasets
    • Datasets com db.py
    • Datasets com CSV / Excel
    • Filtro em um DataFrame
    • Dados Categóricos
    • Dados perdidos em um dataset
    • Operações de agregação e agrupamento
    • Joins
    • Pivot tables
    • Visualização com matplotlib
    • Series Temporais
  • Biblioteca Matplotlib
    • Gráficos
    • Barra
    • Linha
    •  Dispersão
    • Seaborn
    • Customizando
    • Histograma e Gráfico de Pizza
  • Regressão Linear
    • Linear simples
    • Entendo o método dos mínimos quadrados
• Machine learning

•  
  • Naive Bayes
    • Introdução
    • Classificação
    • Correlação de laplaciana
    • Naive Bayes – scikit-learn
    • Naive Bayes – Iris dataset
    • Naive Bayes – credit dataset
    • Naive Bayes

•  
  • Aprendizado baseado em arvores (Tree)
    • Introdução
    • Conceito
    • Arvores com scikit-learn
    • Arvores com scikit-learn Iris dataset
    • Random Forest
    • Random Forest scikit-learn

•  
  • Maquina de vetor de suporte (SVM)

•  
  •  
    • Introdução
    • Conceito
    • Linear x não linear
    • SVM scikit-learn
    • SVM scikit-learn Iris dataset
    • SVM credit dataset

•  
  • Aprendizado baseado em instancia (KNN)

•  
  •  
    • Introdução ao KNN
    • Funcionamento
    • Calculando a distância euclidiana
    • Distancia euclidiana e distancia Manhattan
    • Determinação da classe
    • Vantagens e desvantagens
    • Implementação do KNN – python
    • Implementação do KNN - sklearn
    • Implementação do KNN – sklearn e NumPy
    • Utilizando o model selection e score
    • KNN com sklearn – Dataset Iris
      • KNN - Regressão
      • Introdução a Regressão com KNN
      • Implementação da Regressão com KNN
      • Regressão com sklearn
      • Erro quadrático médio
      • Regressão em um datasets
  • Apriori (Aprendizagem não supervisionada)
    •  
      • Introdução
      • Conceito
      • Suporte, confiança e lift
      • Regras de associação
      • Regras de associação base de compras

•  
  • Agrupamento (k-means)
    • Introdução
    • Calculo da distancia
    • Inicialização
    • Iris dataset

• Deep learning
  • Redes Neurais
    • Conceito
    • Pratica
    • Exemplos
  • Redes neurais artificiais
    • Conceito
    • Prática
    • Exemplos
  • Conhecendo a rede perceptron
    • Processo de treinamento em perceptron
    • Algoritmo de treinamento em perceptron
    • Implementação da perceptron
    • Camadas ocultas
    • Calculo do erro, pesos, e bias.
    • Backpropagation, taxa de aprendizagem e momento
    • Ajustes dos pesos
    • Redes com pybrain
    • Redes scikit-learn
    • Redes scikit-learn Iris dataset

o   Linguagem R

·         Baixando e configurando o R

§  RStudio

·         Introdução ao R

§  Vetores

§  Matrizes

§  Arrays

§  Data frames

§  Listas

§  Funções

·         Importação de dados

§  Arquivos de texto

§  Csv

§  Acessando banco de dados

§  Executando rotinas

o   Introdução a Estatística

·         Amostragem

·         Medidas de Centralidade e Variabilidade

·         Probabilidade

·         Distribuição Binomial

·         Distribuição Normal

·         Distribuição de Poisson

·         Intervalos de Confiança

·         Testes de Hipótese

·         Distribuição t de Student

·         Anova

·         Qui Quadrado

o   Introdução a Regressão Linear

·         Correlação

·         Regressão Linear - Previsão

·         Regressão Linear – Residual

·         Outliers e Extrapolação

·         Regressão múltipla

·         Cálculos e fórmulas

·         Regressão logística

o   Series Temporais

·         Introdução

·         Componentes de Uma Serie Temporal

·         Decomposição

·         Previsão

o   Machine Learning

·         Classificação com naive Bayes

·         Arvore decisão rpart

·         Aprendizado baseado em instancia (KNN)

·         Agrupamentos

·         Regra de associação

·         Regra de associação com apriori

·         Regras de associação com Eclad

o   Gráficos e dashboards

·         Histograma

·         Densidade

·         Dispersão

·         Dispersão com legendas

·         Split da tela

·         Boxplot

·         Usando lattice

·         Gráfico 3D com lattice

·          

o   Redes Neurais e Deep Learning

·         Deep Learning

§  Conceito

§  Pratica

§  Exemplos

·         Redes neurais artificiais

§  Conceito

§  Prática

§  Exemplos

·         Conhecendo a rede perceptron

·         Processo de treinamento em perceptron

·         Algoritmo de treinamento em perceptron

·         Implementação da perceptron

·         Redes neurais com sklearn

o   Mineração de texto

·         Introdução

·         Conceito

·         Criação do corpus

·         Geração da nuvem de palavras

·         Matriz de freqüência

o   Finalização e definição de projeto

·         Escolha do dataset do projeto

·         Pode ser aplicado no mundo real

·         Aplicar suposições

·         Gráficos

·         KNN

·         Apresentação e conclusão do curso