Formação Aprendizado de Máquina (Machine Learning)

Descrição do Produto Especificações do Produto Avaliações

Descrição do Produto

Sobre o Curso

Venha entender os princípios de design e as aplicações da IA em vários setores. O objetivo é que você crie uma abordagens de produto baseada em IA, que pode ser apresentada aos seus stakeholders internos ou investidores. Você aprenderá os vários estágios envolvidos no design de produtos baseados em IA juntamente com os algoritmos de aprendizado de máquina, e aplicará os insights para resolver problemas práticos.

Saiba como a implantação das tecnologias de IA certas em sua organização pode ajudá-lo a automatizar tarefas rotineiras, obter insights por meio da análise de dados e interagir melhor com os clientes.

Dado o amplo espectro de aplicações da IA nas organizações, não é surpresa que o Especialista em Machine Learning seja um dos cargos mais bem avaliado no relatório de empregos do LinkedIn desde 2020. Com uma taxa de crescimento anual superior a 70% para esta posição, todos os setores estão procurando por talentos de Machine Learning.

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 teoria complementar e 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.

Desenvolva-se no mundo da Inteligência Artificial com a Formação 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

Do Iniciante ao Avançado

Carga Horária

400 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

O curso abrange diversos tópicos essenciais para Machine Learning:

Introdução à Ciência de Dados - Uso de vetores, matrizes e dicionários:

Criar vetores ou matrizes
Criar matrizes esparsas
Redimensionar array "Numpy"
Converter dicionários em matrizes
Inverter matriz ou "nArray"
Calcular diagonal da matriz
Calcular determinante de uma matriz
Transformar matriz em vetor
Calcular: média, desvio padrão e variância
Encontrar classificação de uma matriz (rank)
Máximos e mínimos de uma matriz
Adicionar valor numérico a um elemento de matriz
Calcular produto de dois (02) vetores
Adicionar, subtrair, multiplicar e dividir – valor numérico para cada elemento da matriz
Adicionar e subtrair entre duas (02) matrizes
Ler características de um dicionario

Pré-Processamento de Dados - Representação e a qualidade dos dados:
Carregar e trabalhar dados via sklearn (dataset Boston)
Criar dados simulados para regressão
Criar dados simulados para classificação
Criar dados simulados para armazenamento em cluster
Preparar um fluxo de trabalho de aprendizado de máquina
Converter recursos (características) categóricos em recursos numéricos
Imputar rótulos de classes ausentes
Imputar rótulos de classes ausentes usando método "vizinho próximo"
Excluir instâncias com valores ausentes
Como fazer operações numéricas
Como encontrar outliers
Codificar recursos categóricos ordinais
Lidar com classes de desequilíbrio com redução da resolução
Como lidar com classes de desbalanceadas
Como lidar com outliers
Imputar valores ausentes com médias
Codificação com vários rótulos
Codificação com recursos nominais categóricos
Processar recursos categóricos
Redimensionar recursos
Padronizar recursos
Padronizar dados "IRIS"
Dividir dados DateTime ("features") para criar vários recursos
Calcular a diferença entre datas
Codificar os dias da semana
Tratar valores ausentes em uma série temporal
Como introduzir o tempo "LAG" (lagged time-series)
Como lidar com "Janelas de Tempo"
Selecionar DateTime dentro de um intervalo
Selecionar DateTime [formato (PM) ou (AM)] dentro de um intervalo
Como trabalhar itens em uma lista

Análise de Dados:
Análise de Componentes Principais (PCA)
Análise da Variância (ANOVA)
Curva Característica de Operação do Receptor (Curva ROC)
Trabalhar os Hiperparâmetros
Descrever a relação entre uma variável Y e uma X
Uso da biblioteca “Seaborn”

Classificação, Clusterização e Regressão:
Criar e otimizar modelo para regressão e classificação
Utilizar "Nearest Neighbours" para regressão e classificação
Fazer agrupamento aglomerativo (Agglomerative Clustering)
Fazer clusterização com o "Kmeans"
Fazer clusterização baseado em afinidade
Utilizar "DBSCAN Clustering"
Utilizar a abordagem do deslocamento médio (MinShift)
Utilizar a arvore de classificação e regressão
Utilizar algoritmo de aprendizado de máquina "AdaBoost"
Utilizar algoritmo de aprendizado de máquina "RandomForest"
Utilizar algoritmo de aprendizado de máquina "GradientBoosting"
Utilizar classificador e regressor multicamadas – "MLP - Multi Layer Perceptron"
Utilizar classificador e regressor de reforço gradual "XgBoost"
Utilizar classificador e regressor "CatBoost"
Utilizar classificador e regressor "LightGBM"
Utilizar classificador e regressor "SVM"
Classificar com modelos linear

Cursos Gerais

Carga Horária	400
O que vai aprender?	De forma detalhada: Introdução à Ciência de Dados - Uso de vetores, matrizes e dicionários: Criar vetores ou matrizes Criar matrizes esparsas Redimensionar array “Numpy” Converter dicionários em matrizes Inverter matriz ou “nArray” Calcular diagonal da matriz Calcular determinante de uma matriz Transformar matriz em vetor Calcular: média , desvio padrão e variância Encontrar classificação de uma matriz (rank) Máximos e mínimos de uma matriz Adicionar valor numérico a um elemento de matriz Calcular produto de dois (02) vetores Adicionar, subtrair, multiplicar e dividir – valor numérico para cada elemento da matriz Adicionar e subtrair entre duas (02) matrizes Ler características de um dicionario Pré-Processamento de Dados - Representação e a qualidade dos dados: Carregar e trabalhar dados via sklearn (dataset Boston) Criar dados simulados para regressão Criar dados simulados para classificação Criar dados simulados para armazenamento em cluster Preparar um fluxo de trabalho de aprendizado de máquina Converter recursos (características) categóricos em recursos numéricos Imputar rótulos de classes ausentes Imputar rótulos de classes ausentes usando método "vizinho próximo" Excluir instâncias com valores ausentes Como fazer operações numéricas Como encontrar outliers Codificar recursos categóricos ordinais Lidar com classes de desequilíbrio com redução da resolução Como lidar com classes de desbalanceadas Como lidar com outliers Imputar valores ausentes com médias Codificação com vários rótulos Codificação com recursos nominais categóricos Processar recursos categóricos Redimensionar recursos Padronizar recursos Padronizar dados "IRIS" Dividir dados DateTime ("features") para criar vários recursos Calcular a diferença entre datas Codificar os dias da semana Tratar valores ausentes em uma série temporal Como introduzir o tempo "LAG" (lagged time-series), tempo de latência são muito usadas em analises econômicas Como lidar com "Janelas de Tempo" Selecionar DateTime dentro de um intervalo Selecionar DateTime [formato (PM) ou (AM)] dentro de um intervalo Como trabalhar itens em uma lista Análise de Dados: Análise de Componentes Principais (PCA) Análise da Variância (ANOVA) Curva Característica de Operação do Receptor (Curva ROC) Trabalhar os Hiperparâmetros Descrever a relação entre uma variável Y e uma X Uso da biblioteca “Seaborn” Classificação, Clusterização e Regressão: Criar e otimizar modelo para regressão e classificação Utilizar “Nearest Neighbours” para regressão e classificação Fazer agrupamento aglomerativo (Agglomerative Clustering) Fazer clusterização com o “Kmeans” Fazer clusterização baseado em afinidade Utilizar “DBSCAN Clustering” Utilizar a abordagem do deslocamento médio (MinShift) Utilizar a arvore de classificação e regressão Utilizar algoritmo de aprendizado de máquina “AdaBoost” Utilizar algoritmo de aprendizado de máquina “RandomForest” Utilizar algoritmo de aprendizado de máquina “GradientBoosting” Utilizar classificador e regressor multicamadas – “MLP - Multi Layer Perceptron” Utilizar classificador e regressor de reforço gradual “XgBoost” Utilizar classificador e regressor “CatBoost” Utilizar classificador e regressor “LightGBM” Utilizar classificador e regressor “SVM” Classificar com modelos lineares – “Multiclass Classification” Classificar com modelos lineares – “Naive Bayes” Classificar com modelos lineares – “Nearest Neighbors” Classificar com modelos lineares – “LDA e QDA” Classificar com modelos lineares – “Tree Model” Classificar com modelos lineares – “Ensemble Bagging Model” Classificar com modelos lineares – “Ensemble Boosting Model” Utilizar métrica de classificação e regressão Comparar algoritmos de classificação Implementar “Ensemble Model” Salvar modelos treinados Avaliar modelos com curvas de aprendizagem Paralelizar execução e validação cruzada no “XGBoost” Otimizar número de árvores no “XGBoost” Visualização de Dados: Autocorrelação (ACF) e Autocorrelação Parcial (PACF) Pizza com destacamento Plotagem de textos Divergências de escala Densidade Series temporais múltiplas com escalas Boxplot Correlograma – “Correllogram” Curvas de densidade – “Cross Correlation” Decomposição de serie temporal Dispersão com linha de regressão linear de melhor ajuste Área Barras Bolha – “Bubble” Cascata- “Waterfall” Lotes em par – “Pairwise” Histograma empilhado Variáveis continuas (Histograma) Histogramas marginais – “Marginal Boxplot” Quadro de marcadores – “Lollipop” Piramide populacional Diagramas de dispersão – “Scatter” Anotações de picos e vales em series temporais Cilindros – “Cylinder” Feixes sólidos – “Joy” Dado sazonal 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 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 Projeto Final: 1. Carregar as Bibliotecas de trabalho (todas que se fizerem necessárias); 2. Carregar os conjuntos de dados com sua biblioteca de preferência p/ o algoritmo de Aprendizagem de Máquina a ser aplicado: a) carregar a partir de um arquivo CSV ou b) carregar a partir de uma Base de Dados; 3. Sumarizar os dados carregados para compreender o conjunto das informações - “dataset” (uso de Estatística Descritiva); 4. Visualizar os dados para compreender o conjunto das informações – “dataset” (criar gráficos variados, conforme o negócio) 5. Preprocessar os dados, aplicar limpeza e transformação - “Data Cleaning & Data transformation” (o “dataset” deve ser dividido em conjuntos de dados de “treino & teste”) 6. Utilizar um algoritmo de aprendizado ao conjunto de dados de treino: a) configurar um algoritmo de aprendizado e suas definições de parâmetros; b) aplicar validação cruzada com o conjunto de dados de treino; c) empregar algoritmo para “treino & ajuste” com “dataset” de treino; d) efetuar avaliação do algoritmo (ou Modelo) treinado e seus resultados; e) persistir o modelo treinado para previsão futura. 7. Finalizar o modelo treinado e fazer a previsão.
Pré-requisito	Conhecimentos em linguagem de programação python.
Público-alvo	Iniciantes em programação, estudantes ou profissionais de tecnologia, como também todos os profissionais que tenham interesse nas trilhas de Inteligencia Artificial, na área do 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 estudar	EAD
Coligada	1
Processo Seletivo	1
Nível de Ensino	ES
Tipo de curso	Cursos Profissionalizantes
Área Tecnológica	Inteligência Artificial

Final da página

Informações adicionais	O 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.

Informações adicionais

O 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: