Machine Learning e Data Science com Linguagem Python e R.

Conteúdo do curso

Python 

• 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

 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

 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 

• 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 

• Introdução a Regressão Linear
  • Correlação
  • Regressão Linear - Previsão
  • Regressão Linear – Residual
  • Outliers e Extrapolação
  • Regressão múltipla
  • Cálculos e fórmulas
  • Regressão logística 

• Series Temporais
  • Introdução
  • Componentes de Uma Serie Temporal
  • Decomposição
  • Previsão 

• 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

• Gráficos e dashboards
  • Histograma
  • Densidade
  • Dispersão
  • Dispersão com legendas
  • Split da tela
  • Boxplot
  • Usando lattice
  • Gráfico 3D com lattice

 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

 Mineração de texto

• Introdução
• Conceito
• Criação do corpus
• Geração da nuvem de palavras
• Matriz de freqüência

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