Curso prático Hands on: Aprendizado de Máquina (Machine Learning) - DF - Brasília - IA-Labs - EAD

De: R$ 250,00Por: R$ 100,00ou X de

Economia de R$ 150,00

Calcule o valor do frete e prazo de entrega para a sua região

Descrição do Produto

 

Sobre o Curso

No curso Hands on: Aprendizado de Máquina (Machine Learning) você se qualifica para produzir, rápida e automaticamente, modelos capazes de analisar dados maiores e mais complexos, e entregar resultados mais rápidos e precisos – mesmo em grande escala.

Venha conhecer os recursos de Inteligência Artificial e capacidade para implementar outras estruturas computacionais de modo 100% EaD e assíncrono.

O curso foi desenvolvido com metodologia Hands On - "mão na massa" ou "aprender fazendo".

É totalmente prático, com tópicos que, durante todo processo de ensino, os alunos são desafiados em uma série de cenários cada vez mais complexos, uma intensa experiência imersiva em linguagem de programação (Python) extremamente aplicável a situações do mundo real.

Evolua no mundo da Inteligência Artificial com Hands on em Aprendizado de Máquina (Machine Learning).

Vem conosco e entre em modo IA-Labs.

Informações Gerais

Início do Curso

Imediato após a confirmação do pagamento

Nível

Avançado

Carga Horária

80 horas

Modalidade

100% EaD (online), formato autoinstrucional

Duração

Acesso por 12 meses após a matrícula

Certificado

Aproveitamento mínimo de 60% para certificação

O que você vai aprender

Projetos práticos (casos de uso) do nível iniciante ao avançado com bases de dados públicas - Kaggle:

  • Ecossistema de Aprendizagem de Máquina (ML)

  • Manipulação de dados - Pandas

  • Arranjos multidimensionais - NumPy

  • Criação de gráficos com Matplotlib

  • Estatística descritiva

  • Preparação de dados

  • Seleção de Características (RFE)

  • Reamostragem - Validação Cruzada

  • Métricas de Desempenho

  • Algoritmos de Classificação

  • Algoritmos de Regressão

  • Modelos Generalizados

  • Análise Discriminante Linear/Quadrática

  • Máquina de Vetor de Suporte

  • Árvore de Decisão

  • Naive Bayes

  • Comparação de algoritmos

  • Fluxos de trabalho com pipelines

  • Uso de Ensembles

  • Técnicas de Bagging e Boosting

  • Voting Ensembles

  • Ajuste de Hiper Parâmetros

  • ANNs vs Bagging/Boosting

  • Salvar/Carregar modelos ML

Pré-requisitos

  • Introdução à Ciência de Dados

  • Pré-Processamento de Dados

  • Análise de Dados

  • Classificação, Clusterização e Regressão

  • Visualização de Dados

Público-alvo

Profissionais de TI, estudantes, interessados em Inteligência Artificial, Ciência de Dados, Machine Learning, Deep Learning, NLP e Mineração de Texto.

Como Funciona

  • Horário flexível de estudo

  • Material didático completo na plataforma

  • Acesso imediato ao Portal IA-Labs

  • Questionário final com desempenho mínimo de 60%

  • Certificado digital em até 5 dias

Importância do Machine Learning

O Machine Learning permite a criação de modelos preditivos que analisam grandes volumes de dados complexos com precisão. Essas tecnologias são a base de carros autônomos, sistemas de recomendação, detecção de fraudes e muitas outras aplicações inovadoras.

Dominar essas técnicas abre portas para oportunidades em áreas estratégicas como ciência de dados, IA empresarial e desenvolvimento de sistemas inteligentes, sendo uma das habilidades mais demandadas no mercado tecnológico atual.

Cursos Gerais

Carga Horária80
O que vai aprender?Projetos práticos (casos de uso) do nível iniciante ao avançado com bases de dados públicas - Kaggle, uma subsidiária da Google LLC.

De forma detalhada:


  • Ecossistema de Aprendizagem de Máquina (ML)

  • Manipulação de dados - Pandas

  • Arranjos multidimensionais - NumPy

  • Criação de gráficos e visualizações de dados com Matplotlib

  • Estatística descritiva - Entendendo os dados

  • Preparação de dados

  • Seleção de Características (RFE - Recursive Feature Elimination)

  • Reamostragem - Validacao Cruzada

  • Métricas de Desempenho (performance)

  • Algoritmos de Classificação - DecisionTree, RandonForest, ExtraTrees

  • Algoritmos de Regressão

  • Modelos Generalizados

  • Análise Discriminante Linear e Quadrática

  • Máquina de Vetor de Suporte

  • Árvore de Decisão

  • Naive Bayes

  • Comparando algoritmos de Aprendizagem de Máquina

  • Fluxos de trabalho (workflows) com "pipelines" (processo contínuo)

  • Uso de "Ensembles" (conjunto de algoritmos)

  • Uso de "Bagging Ensembles"

  • Uso de "Boosting" - técnica Ensemble

  • Uso de "Voting Ensembles"

  • Ajuste de "Hiper Parâmetros" - Tuning

  • Anásile comparativa sobre ANNs, Bagging e Boosting

  • Como "Salvar" e/ou "Carregar" Modelos de Aprendizagem de Máquina

Pré-requisito

  • Introdução à Ciência de Dados

  • Pré-Processamento de Dados (Data Preprocessing)

  • Análise de Dados (Data Analisys)

  • Classificação, Clusterização e Regressão de Dados (Data Classification, Clustering and Regression)

  • Visualização de Dados (Data Visualization)

Público-alvoIniciantes em programação, estudantes ou profissionais de tecnologia, como também todos os profissionais que tenham interesse nas trilhas de Inteligencia Artificial, na área da Ciência de Dados, Aprendizagem de máquina (Machine Learning), Aprendizagem Profunda (Deep Learning), Processamento de Linguagem Natural (NLP), Mineração de Texto (ou suas subdivisões: Text Mining, Text Processing, Text Analytics).
Como estudarEAD
Coligada1
Processo Seletivo1
Nível de EnsinoES
Tipo de cursoCursos Profissionalizantes
Área TecnológicaInteligência Artificial

Final da página

Informações adicionaisO que é Aprendizado de Máquina (Machine Learning)?

A tecnologia de aprendizagem de máquina é considerada um subcampo da Inteligência Artificial, que trabalha com a ideia de que as máquinas podem aprender sozinhas ao terem acesso a grandes volumes de dados.

A definição mais simples é que as máquinas podem detectar padrões e criar conexões entre dados, e algoritmos sofisticados, para aprenderem sozinhas a executar uma tarefa.

Como funciona?

Basicamente, os algoritmos utilizam análises estatísticas aprimoradas sobre os dados que recebem, resultando em respostas e previsões mais precisas. O Machine Learning permite que as aplicações de software se tornem mais “inteligentes” e preditivas, sem que seja necessário programá-las com frequência para que elas “aprendam”.

Qual a importância do machine learning?

O interesse no aprendizado de máquina se deve aos mesmos fatores que tornaram a mineração de dados mais popular do que nunca: coisas como os crescentes volume e variedade de dados disponíveis, o processamento computacional mais barato e poderoso, o armazenamento de dados acessível etc.
Tudo isso significa que é possível produzir, rápida e automaticamente, modelos capazes de analisar dados maiores e mais complexos, e entregar resultados mais rápidos e precisos – mesmo em grande escala. E ao construir modelos precisos, uma organização tem mais chances de identificar oportunidades lucrativas – ou de evitar riscos desconhecidos.

Eis alguns exemplos de aplicações de machine learning, que você já deve ter ouvido falar:


  • Os carros autônomos do Google? A essência do machine learning.

  • Ofertas recomendadas pela Amazon ou Netflix? Aplicações de machine learning para o dia-a-dia.

  • Saber o que seus clientes estão falando de você no Twitter? Machine learning combinado com criação de regras linguísticas.

  • Detecção de fraudes e risco financeiro? Um dos usos mais óbvios e importantes de machine learning no mundo de hoje.

  • VTEX

Copyright © 2013. Todos os direitos reservados.
Todas as marcas e suas imagens são de propriedade de seus respectivos donos.
É vedada a reprodução, total ou parcial, de qualquer conteúdo sem expressa autorização.