Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Programa do Curso
Algoritmos de aprendizagem automática em Julia
Conceitos introdutórios
-
Aprendizagem supervisionada e não supervisionada
Validação cruzada e seleção de modelos
Compensação de desvios/variância
Amostragem linear; regressão logística
(NaiveBayes & GLM)
-
Conceitos introdutórios
Ajuste de modelos de regressão linear
Diagnóstico de modelos
Naive Bayes
Ajuste de um modelo de regressão logística
Diagnóstico de modelos
Métodos de seleção de modelos
Distâncias
-
O que é uma distância?
Euclidiana
Bloco de cidades
Cosseno
Correlação
Mahalanobis
Hamming
MAD
RMS
Desvio médio quadrático
Redução da dimensionalidade
-
Análise de componentes principais (PCA)
PCA linear
PCA de kernel
PCA probabilística
ACP independente
Conceitos básicos de regularização Regressão Ridge Regressão Lasso Regressão de componentes principais (PCR)
-
Agrupamento
K-means K-medoids DBSCAN Agrupamento hierárquico Algoritmo de agrupamento Markov Fuzzy C-means clustering
-
Modelos padrão de aprendizagem automática
(pacotes NearestNeighbors, DecisionTree, LightGBM, XGBoost, EvoTrees, LIBSVM)
Conceitos de reforço de gradiente K vizinhos mais próximos (KNN) Modelos de árvore de decisão Modelos de floresta aleatória XGboost EvoTrees Máquinas de vectores de suporte (SVM)
-
Redes neuronais artificiais
(Pacote Flux)
Estratégias de descida de gradiente estocástico &; estratégias Perceptrons multicamadas feed forward & back propagation Regularização Redes neuronais de recorrência (RNN) Redes neurais convolucionais (Convnets) Autoencodificadores Hiperparâmetros
Requisitos
Este curso destina-se a pessoas que já tenham conhecimentos de ciência de dados e estatística.
21 horas