Curso de Aprendizagem de Máquina e Análise Preditiva com Python

Introdução à Aprendizagem de Máquina

• Tipos de aprendizagem de máquina – supervisionada vs. não supervisionada
• Da aprendizagem estatística à aprendizagem de máquina
• O fluxo de trabalho de mineração de dados: compreensão do negócio, preparação de dados, modelação, implantação
• Escolha do algoritmo certo para a tarefa
• Sobreajustamento (overfitting) e o compromisso entre viés e variância

Visão Geral das Bibliotecas de Python para ML

• Por que utilizar linguagens de programação para ML
• Escolha entre R e Python
• Curso intensivo de Python e Jupyter Notebooks
• Bibliotecas Python: pandas, NumPy, scikit-learn, matplotlib, seaborn

Teste e Avaliação de Algoritmos de ML

• Generalização, sobreajustamento e validação de modelos
• Estratégias de avaliação: holdout, validação cruzada, bootstrapping
• Métricas para regressão: ME, MSE, RMSE, MAPE
• Métricas para classificação: precisão, matriz de confusão, classes desequilibradas
• Visualização do desempenho do modelo: curva de lucro, curva ROC, curva de lift
• Seleção de modelos e pesquisa em grelha para ajuste de parâmetros

Preparação de Dados

• Importação e armazenamento de dados em Python
• Análise exploratória e estatísticas resumidas
• Tratamento de valores em falta e valores atípicos
• Standardização, normalização e transformação
• Recodificação de dados qualitativos e tratamento de dados com pandas

Algoritmos de Classificação

• Classificação binária vs. multiclasse
• Regressão logística e funções discriminantes
• Naïve Bayes, k-vizinhos mais próximos
• Árvores de decisão: CART, Random Forests, Bagging, Boosting, XGBoost
• Máquinas de Vetores de Suporte (SVM) e kernels
• Técnicas de aprendizagem de conjunto (ensemble learning)

Regressão e Previsão Numérica

• Mínimos quadrados e seleção de variáveis
• Métodos de regularização: L1, L2
• Regressão polinomial e modelos não lineares
• Árvores de regressão e splines

Redes Neurais

• Introdução a redes neurais e aprendizagem profunda
• Funções de ativação, camadas e retropropagação
• Perceptrons multicamada (MLP)
• Utilização de TensorFlow ou PyTorch para modelação básica de redes neurais
• Redes neurais para classificação e regressão

Previsão de Vendas e Análise Preditiva

• Séries temporais vs. previsão baseada em regressão
• Tratamento de dados sazonais e baseados em tendências
• Construção de um modelo de previsão de vendas utilizando técnicas de ML
• Avaliação da precisão da previsão e incerteza
• Interpretação de negócios e comunicação de resultados

Aprendizagem Não Supervisionada

• Técnicas de agrupamento: k-means, k-medoids, agrupamento hierárquico, SOMs
• Redução de dimensionalidade: PCA, análise fatorial, SVD
• Escalonamento multidimensional

Mineração de Texto

• Pré-processamento de texto e tokenização
• Bag-of-words, stemming e lematização
• Análise de sentimentos e frequência de palavras
• Visualização de dados de texto com nuvens de palavras

Sistemas de Recomendação

• Filtragem colaborativa baseada em utilizadores e baseada em itens
• Conceção e avaliação de motores de recomendação

Mineração de Padrões de Associação

• Conjuntos de itens frequentes e algoritmo Apriori
• Análise de cestos de mercado e razão de lift

Detecção de Valores Atípicos

• Análise de valores extremos
• Métodos baseados em distância e baseados em densidade
• Detecção de valores atípicos em dados de alta dimensionalidade

Caso de Estudo de Aprendizagem de Máquina

• Compreensão do problema de negócio
• Pré-processamento de dados e engenharia de características
• Seleção de modelos e ajuste de parâmetros
• Avaliação e apresentação dos resultados
• Implantação

Resumo e Próximos Passos