Programa do Curso

Introdução à aplicação Machine Learning

    Aprendizagem estatística vs. aprendizagem automática Iteração e avaliação Compensação entre desvio e variância Aprendizagem supervisionada vs aprendizagem não supervisionada Problemas resolvidos com Machine Learning Treinar Teste de Validação – Fluxo de trabalho de ML para evitar o sobreajuste Fluxo de trabalho de Machine Learning Algoritmos de aprendizagem automática Seleção do algoritmo adequado ao problema

Avaliação do algoritmo

    Avaliação das previsões numéricas Medidas de exatidão: ME, MSE, RMSE, MAPE Estabilidade dos parâmetros e das previsões
Avaliação de algoritmos de classificação Exatidão e seus problemas
  • A matriz de confusão
  • Problema das classes desequilibradas
  • Visualização do desempenho do modelo Curva de lucro
  • Curva ROC
  • Curva de elevação
  • Seleção do modelo
  • Afinação de modelos – estratégias de pesquisa em grelha
  • Preparação de dados para modelação
  • Importação e armazenamento de dados Compreender os dados – explorações básicas Manipulações de dados com a biblioteca pandas Transformações de dados – manipulação de dados Análise exploratória Observações em falta – deteção e soluções Outliers – deteção e estratégias Padronização, normalização, binarização Recodificação de dados qualitativos
  • Algoritmos de aprendizagem automática para deteção de valores atípicos
  • Algoritmos supervisionados KNN Reforço de gradiente de conjunto SVM

      Algoritmos não supervisionados Baseados na distância

    Métodos baseados na densidade

      Métodos probabilísticos
    Métodos baseados em modelos
  • Compreensão Deep Learning
  • Visão geral dos conceitos básicos da aprendizagem profunda Diferenciação entre Machine Learning e aprendizagem profunda Visão geral das aplicações da aprendizagem profunda
  • Visão geral de Neural Networks
  • O que são Neural Networks Neural Networks vs Modelos de Regressão Compreender os fundamentos matemáticos e os mecanismos de aprendizagem Construindo uma rede neural artificial Entendendo os nós e as conexões neurais Trabalhar com neurónios, camadas e dados de entrada e saída Compreender os perceptrons de camada única Diferenças entre aprendizagem supervisionada e não-supervisionada Aprendizagem feedforward e feedback Neural Networks Entendendo a propagação para frente e a propagação para trás
  • Criando modelos simples de aprendizagem profunda com Keras

      Criar um modelo Keras Entendendo seus dados Especificando seu modelo de aprendizado profundo Compilando seu modelo Ajuste do modelo Trabalhando com seus dados de classificação Trabalhando com modelos de classificação Usando seus modelos 

    Trabalhar com TensorFlow para a aprendizagem profunda

      Preparar os dados Descarregar os dados Preparando os dados de treinamento Preparando dados de teste Dimensionamento de inputs Usando espaços reservados e variáveis

    Especificar a arquitetura de rede

      Utilização da função de custo

    Utilizar o Optimizador

      Utilização de inicializadores
    Ajustar a rede neural
  • Construir o gráfico Inferência
  • Perda
  • Formação
  • Treinar o modelo O gráfico
  • A sessão
  • Circuito do comboio
  • Avaliação do modelo Construindo o gráfico de avaliação
  • Avaliação com saída de avaliação
  • Modelos de formação à escala
  • Visualização e avaliação de modelos com o TensorBoard 
  • Aplicação de Deep Learning na deteção de anomalias
  • Autoencoder Arquitetura Codificador - Descodificador Perda de reconstrução
  • Autocodificador variacional Inferência variacional
  • Rede Adversária Generativa Arquitetura do gerador – Discriminador
  • Abordagens à AN utilizando GAN
  • Pacote de estruturas
  • Combinação de resultados de diferentes métodos Bootstrap Agregação Cálculo da média da pontuação dos outliers
  •  
  • Requisitos

    • Experiência em programação Python
    • Familiaridade básica com estatística e conceitos matemáticos

    Público

    • Desenvolvedores
    • Cientistas de dados
      28 horas

    Cursos Relacionados

    Categorias Relacionadas