Programa do Curso

Fundamentos de Machine Learning

  • Introdução aos conceitos e fluxos de trabalho da Machine Learning
  • Aprendizagem supervisionada vs. não supervisionada
  • Avaliação de modelos de aprendizagem automática: métricas e técnicas

Métodos Bayesianos

  • Naive Bayes e modelos multinomiais
  • Análise bayesiana de dados categóricos
  • Modelos gráficos bayesianos

Técnicas de regressão

  • Regressão linear
  • Regressão logística
  • Modelos lineares generalizados (GLM)
  • Modelos mistos e modelos aditivos

Redução de dimensionalidade

  • Análise de componentes principais (PCA)
  • Análise Fatorial (FA)
  • Análise de componentes independentes (ICA)

Métodos de classificação

  • K-Nearest Neighbors (KNN)
  • Máquinas de vectores de suporte (SVM) para regressão e classificação
  • Modelos de reforço e de conjunto

Neural Networks

  • Introdução às redes neuronais
  • Aplicações da aprendizagem profunda na classificação e regressão
  • Treino e afinação de redes neuronais

Algoritmos e modelos avançados

  • Modelos de Markov ocultos (HMM)
  • Modelos de espaço de estados
  • Algoritmo EM

Técnicas de agrupamento

  • Introdução ao agrupamento e à aprendizagem não supervisionada
  • Algoritmos de agrupamento populares: K-Means, agrupamento hierárquico
  • Casos de utilização e aplicações práticas de clustering

Resumo e próximos passos

Requisitos

  • Conhecimentos básicos de estatística e análise de dados
  • Experiência Programming em R, Python ou noutras linguagens de programação relevantes

Público

  • Cientistas de dados
  • Estatísticos
 14 Horas

Declaração de Clientes (5)

Próximas Formações Provisórias

Categorias Relacionadas