Machine Learning 1.0

Machine Learning 1.0

Neste curso você vai do completo zero aos modelos mais complexos de machine learning utilizando os 3 softwares gratuitos mais completos para rodar este tipo de análise: Python, R e Weka

Facilidades e Vantagens em estudar com a gente

Neste curso abordaremos uma infinidade de conceitos e modelos relacionados a machine learning. Primeiramente veremos toda a parte teórica relacionado a ML. Em seguida veremos a utilização de modelos de ML no software Weka, que é um software gratuito e que não precisa saber programar. Depois estudaremos o uso do software R para modelos de ML. E finalizaremos com o estudo do software mais popular para rodar modelos de ML que é o python. Durante o curso veremos inúmeras metodologias de ML tais como nearest neighbors, naive bayes, árvore de classificação, árvore de decisão, random forest, máquina de vetor de suporte, boosting, e redes neurais artificiais. Além disso, abordaremos conceitos importantíssimos para quem trabalha com ML independentemente do software utilizado que são pré-processamento dos dados, cross validation, ensemble method, bagging, hyperparameters tuning, entre outros.

PREÇO EXCLUSIVO POR TEMPO LIMITADO
Valor do curso R$ 600,00
Super PROMOÇÃO – por Apenas R$ 450,00
ou em até 10x no cartão sem juros

VOCÊ TERÁ ACESSO ÀS AULAS EM NOSSA SALA DE AULA VIRTUAL, 24 HORAS POR DIA. EM NOSSAS AULAS, VOCÊ APRENDE NO SEU RITMO, E QUALQUER DÚVIDA QUE VENHA A TER, PODERÁ ENVIAR MENSAGEM PARA O PROFESSOR COM SUA QUESTÃO, QUE EM ATÉ 24 HORAS SERÁ RESPONDIDA.
COMO ALUNO, VOCÊ TERÁ ACESSO A DOWNLOADS EXCLUSIVOS DE MANUAIS, E-BOOKS E PLANILHAS DE ATIVIDADES, EXERCITANDO AS FERRAMENTAS E TÉCNICAS ADQUIRIDAS NO CURSO.

Conteúdo

Módulo 1 – Introdução a Machine Learning
Aula 1 – Introdução
Aula 2 – Conceitos básicos
Aula 3 – Aprendizado supervisionado e não supervisando
Aula 4 – Avaliação da performance do modelo de machine learning
Aula 5 – Avaliação de imagens via deep learning
Aula 6 –  Avaliação de texto via deep learning

Módulo 2 – Machine learning no software weka – módulo básico
Aula 1 – Introdução
Aula 2 –
Introdução à Machine Learning
Aula 3 –
Instalação do software Weka
Aula 4 –
Como criar arquivo arff
Aula 5 –
Redes Neurais Artificiais: conceitos e aplicações
Aula 6 –  
Classificação utilizando Redes Neurais
Aula 7 –
Ajuste de Modelos utilizando Redes Neurais

Módulo 3 – Machine learning no software weka – módulo avançado
Aula 1 – Introdução
Aula 2 – Árvores de Decisão: conceitos e aplicações
Aula 3 – Classificação utilizando árvores de decisão
Aula 4 – Ajuste de Modelos utilizando árvores de decisão
Aula 5 – Random Forest: conceitos e aplicações
Aula 6 –  Classificação utilizando random forest
Aula 7 – Ajuste de Modelos utilizando random forest
Aula 8 – Máquina de Vetor de Suporte: da teoria à prática
Aula 9 – Qual é a melhor técnica? Comparando estatisticamente diferentes técnicas de ML

Módulo 4 – Introdução ao software R
Aula 1 – Introdução
Aula 2 – Instalação do R
Aula 3 – Pacotes, help, criação de scripts e símbolos no R
Aula 4 – Criação de objetos no R – parte 1
Aula 5 – Criação de objetos no R – parte 2
Aula 6 – Indexação no R
Aula 7 – Funções básicas do R
Aula 8 – Manipulação de dados no R
Aula 9 – Introdução à gráficos no R – parte 1
Aula 10 – Introdução à gráficos no R – parte 2
Aula 11 – Estatística descritiva no R
Aula 12 – ANOVA e regressão linear no R

Módulo 5 – Aprendendo machine learning no software R – módulo 1
Aula 1 – Introdução
Aula 2 – Nearest neighboors – parte 1
Aula 3 – Nearest neighboors – parte 2
Aula 4 – Exercício sobre nearest neighboors
Aula 5 – Naive bayes – parte 1
Aula 6 –  Naive bayes – parte 2
Aula 7 – Exercício sobre Naive bayes
Aula 8 – Logistic regression – parte 1
Aula 9 – Logistic regression – parte 2
Aula 10 – Exercício sobre Logistic regression
Aula 11 – Decision tree – parte 1
Aula 12 – Decision tree – parte 2
Aula 13 – Random Forest

Módulo 6 – Aprendendo machine learning no software R – módulo 2
Aula 1 – Introdução
Aula 2 – Como calcular o root mean squared error (RMSE)?
Aula 3 – Como fazer cross validation utilizando o pacote caret
Aula 4 – Como rodar regressão logística utilizando o pacote caret – parte 1
Aula 5 – Como rodar regressão logística utilizando o pacote caret – parte 2
Aula 6 –  Como rodar random forest utilizando o pacote caret – parte 1
Aula 7 – Como rodar random forest utilizando o pacote caret – parte 2
Aula 8 – Imputação de dados perdidos
Aula 9 – integração entre métodos de pré-processamento de dados
Aula 10 – Comparação e seleção de modelos
Aula 11 – Exercícios sobre comparação e seleção de modelos

Módulo 7 – Aprendendo machine learning no software R – módulo 3
Aula 1 – Introdução
Aula 2 – modelos lineares parte 1
Aula 3 – modelos lineares parte 2
Aula 4 – análise gráfica parte 1
Aula 5 – análise gráfica parte 2
Aula 6 –  interação entre variáveis preditoras
Aula 7 – transformação de variáveis
Aula 8 – regressão logistica
Aula 9 – regressão de poisson
Aula 10 – regressão GAM
Aula 11 – random forest
Aula 12 – gradient boost machine

Módulo 8 – Introdução ao software Python
Aula 1 – Divulgação
Aula 2 – Spyder e VScode
Aula 3 – Função input e print
Aula 4 – Tipos de variáveis
Aula 5 – Operações básicas
Aula 6 – Loop
Aula 7 – Variável dinâmica e bool
Aula 8 – If e else
Aula 9 – Break e continue
Aula 10 – Função
Aula 11– Lista e tupla
Aula 12– Dicionário

Módulo 9 – Aprendizado supervisionado utilizando scikit-learn em python
Aula 1 – Introdução
Aula 2 – Conceitos básicos sobre machine learning
Aula 3 – modelo knn
Aula 4 – regressão linear
Aula 5 – cross validation e regularized regression
Aula 6 –  avaliação do modelo de classificação
Aula 7 – hyperparameter tuning
Aula 8 – regressão logistica
Aula 9 – manipulação de variáveis categóricas
Aula 10 – manipulação de dados perdidos
Aula 11 – padronização dos dados

Módulo 10 – Modelos básicos de machine learning em python
Aula 1 – Introdução
Aula 2 – árvore de classificação
Aula 3 – árvore de regressão
Aula 4 – generalization error
Aula 5 – ensemble learning
Aula 6 –  bagging
Aula 7 – random forest
Aula 8 – adaboost
Aula 9 – gradient boosting
Aula 10 – stochastic gradient boosting
Aula 11 – hyperparameter tuning para CARTs
Aula 12 – hyperparameter tuning para RF

Conheça mais o professor

Leonardo de Azevedo Peixoto

Diretor da EAC

Leonardo é engenheiro agrônomo pela Universidade Federal do Espirito Santo, com mestrado e doutorado na área de genética e melhoramento pela Universidade Federal de Viçosa. Possui experiência internacional na Iowa State University aplicando técnicas avançadas de programação em R. Tem experiência de mais de 10 anos utilizando o software R para análises estatísticas nas mais variadas áreas tais como estatística experimental, análise multivariada, inteligência artificial, modelos mistos e seleção genômica.

SATISFAÇÃO GARANTIDA OU SEU DINHEIRO DE VOLTA!

Garantia 7 Dias

Se por qualquer motivo você não se adequar com o método/curso, você pode solicitar o seu reembolso. Eu faço isso pois o curso é muito completo, confio no método, e tenho muito respeito pelos meus clientes e alunos, tenho certeza que você vai aprender muito, como nunca aprendeu antes em outro curso.

PERGUNTAS FREQUENTES!

1 – Por quanto tempo o conteúdo do curso ficará disponível?
Você poderá acessar o conteúdo do curso sempre que quiser por 2 anos.

2 – Pode baixar as aulas?
Não, as aulas são protegidas para evitar fraudes e pirataria.

3 – Qual sistema operacional eu preciso utilizar?
O software R, python e Weka podem ser utilizados nos sistemas operacionais Windows, ubuntu e IOS.

4 – Eu terei acesso a todos os scripts utilizados no curso?
Sim. Todo material utilizado durante o curso será disponibilizado para o estudante.

5 – Se eu tiver dúvidas em relação a algum procedimento no curso, eu tenho algum tipo de suporte?
Sim. Você poderá nos acessar via whatsApp ou via e-mail (contatoeac1@gmail.com). Se não conseguirmos solucionar sua dúvida por meio destes veículos de comunicação, nós marcaremos uma videoconferência para solucionar o problema.


Quer ter acesso a todos os cursos no formato de videoaula da EAC por apenas R$22,49?

Deixe uma resposta