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.

Esse curso será dado na modalidade Online e Ao vivo;

Inscreva-se agora!  Inscreva-se agora!

Próximas turmas

Frequência Horário Início Término Valor
Terça e Quinta 18:00/22:00h 04/08/2020 08/09/2020 12xR$230,00(presencial)

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