Próximas Turmas
Nenhuma turma disponível no momento
Entre em contato para informar seu interesseO que você vai aprender nesse curso
O Curso tem como objetivo capacitar o aluno para atuar como cientista de dados usando as linguagens python e R. Será necessário boa lógica de programação, conhecimento de banco de dados e introdução a probabilidade e estatística. No termino do curso o aluno será capaz de escrever rotinas de machine learning tanto no python quanto no 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
- Numpy
- Machine learning
-
- Naive Bayes
- Introdução
- Classificação
- Correlação de laplaciana
- Naive Bayes – scikit-learn
- Naive Bayes – Iris dataset
- Naive Bayes – credit dataset
- Naive Bayes
- 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
- Aprendizado baseado em arvores (Tree)
-
- 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
- Agrupamento (k-means)
- 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
- Redes Neurais
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