Machine Learning e Data Science com Linguagem Python e R.

Carga horária: 44hs

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.

Inscreva-se agora!  Inscreva-se agora!

Próximas turmas

Frequência Horário Início Término Valor Tipo
Terça e Quinta 18:30/22:00h 12/01/2021 23/02/2021 12xR$230,00 Presencial/online

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