Aprendizado de Máquina e Ciência de Dados: Curso Completo com Python

Aprenda Aprendizado de Máquina e Ciência de Dados com Python, torne-se um especialista em Aprendizado de Máquina com Python!

Olá a todos e bem-vindos a este curso sobre os fundamentos do Aprendizado de Máquina e sua aplicação na resolução de problemas do mundo real usando Python 3! Meu nome é Santiago Rodriguez e serei seu instrutor ao longo deste programa de treinamento. Você pode encontrar mais informações sobre mim na biografia ou no vídeo "Apresentação do Instrutor". Ao longo deste curso de Aprendizado de Máquina e Ciência de Dados, apresentarei, a partir de um nível básico acessível a todos os tipos de perfis, os fundamentos teóricos e matemáticos necessários para entender em detalhes o funcionamento dos algoritmos de aprendizado de máquina e as técnicas mais importantes de ciência de dados hoje. Para isso, usarei a abordagem que me proporcionou os melhores resultados ao ensinar esse tipo de aula em diferentes universidades, uma abordagem prática, na qual você verá como as diferentes funções e equações matemáticas são desenvolvidas em minha própria caligrafia. Representarei graficamente todas as intuições matemáticas nas quais o Aprendizado de Máquina se baseia, para que qualquer pessoa possa entendê-las e progredir com as seções seguintes. Este não é um curso para matemáticos, é um curso para todos aqueles que desejam aprofundar-se no campo do aprendizado de máquina, aprendendo bases sólidas que lhes permitam resolver problemas reais por meio da implementação em Python 3 das principais técnicas existentes e entender esses algoritmos que surgem no futuro. À medida que construímos e entendemos essas bases teóricas, as aplicaremos a casos de uso práticos nos quais usaremos conjuntos de dados reais. Sou um firme defensor de que aquelas coisas que são aprendidas teoricamente devem ser aplicadas a casos de uso práticos para aproveitá-las ao máximo, e é exatamente isso que faremos ao longo do curso. Nesses casos práticos, tentaremos resolver diferentes problemas que existem hoje por meio da aplicação de Aprendizado de Máquina e Ciência de Dados em domínios tão interessantes quanto a Cibersegurança usando a linguagem de programação Python 3. Claro, desde o início você terá acesso a todo o código-fonte e a possibilidade de usá-lo para seus próprios desenvolvimentos. A Inteligência Artificial e, mais especificamente, o Aprendizado de Máquina, muitas vezes foi percebido como uma disciplina complexa ao alcance de poucos profissionais. Este curso foi criado para refutar essa crença e demonstrar que qualquer pessoa com interesse suficiente pode se tornar um profissional em aprendizado de máquina. Matricule-se agora e veja por si mesmo.

Conteúdo do Curso

• Bem-vindo ao curso: Aprendizado de Máquina do zero. Projetos reais em Python 3
• Aprendizado de Máquina: Contexto e Motivação
• Introdução e criação do ambiente de aprendizado para Python 3: Jupyter Notebook, Jupyter Lab, Google Colaboratory, Numpy, Pandas, Matplotlib
• O que é Aprendizado de Máquina?: Aprendizado Supervisionado, Aprendizado Não Supervisionado, Aprendizado Online, Aprendizado em Lote, Aprendizado Baseado em Instância, Aprendizado Baseado em Modelo
• Regressão e Classificação: Regressão Linear, Regressão Logística
• Criação de um projeto de Aprendizado de Máquina: Visualização do conjunto de dados, Overfitting, Underfitting, Avaliação, Seleção de Modelo
• Máquinas de Vetores de Suporte (SVM): Classificação com Margem Rígida, Classificação com Margem Flexível, Modelo Linear, Kernels
• Árvores de Decisão e Conjuntos de Árvores: Árvore de Decisão, Impureza de Gini, Aprendizado em Conjunto, Bagging, Pasting, Boosting, Stacking, Florestas Aleatórias
• Seleção e Extração de Características
• Algoritmos de Agrupamento: Kmeans, Dbscan, Índice de Pureza, Coeficiente de Silhueta, Índice de Calinski & Harabasz
• Algoritmos de Aprendizado de Máquina Baseados em Probabilidade: Teorema de Bayes, Naive Bayes, Naive Bayes de Bernoulli, Naive Bayes Gaussiano
• Algoritmos de Aprendizado de Máquina para Detecção de Anomalias: Distribuição Gaussiana, Distribuição Gaussiana Multivariada, Floresta Aleatória
• Redes Neurais Artificiais e Aprendizado Profundo: Unidade Lógica de Limiar, Perceptron, Perceptron Multicamadas, Redes Neurais Profundas
• Despedida do Curso: Aprendizado de Máquina do zero. Projetos reais em Python 3

O que você aprenderá

• Os algoritmos e fundamentos mais relevantes do Aprendizado de Máquina
• A aplicação de técnicas de Aprendizado de Máquina a casos práticos reais
• O desenvolvimento e implementação de sistemas de Aprendizado de Máquina com Python 3
• As intuições matemáticas necessárias para entender as técnicas atuais e futuras de Aprendizado de Máquina
• As técnicas necessárias para criar um projeto completo de Aprendizado de Máquina do mundo real usando Python
• A execução de algoritmos de Aprendizado de Máquina em ambientes offline e online
• A aplicação de técnicas de Aprendizado de Máquina a problemas reais no domínio da Cibersegurança
• O uso de algoritmos de Aprendizado de Máquina para previsão e resolução de tarefas complexas