"""

Aprendizado de Máquina e Ciência de Dados em Python: O Curso Completo

Aprenda a criar algoritmos de Aprendizado de Máquina com Python e Scikit-learn - Regressão, Classificação, Agrupamento

Dê um passo em direção ao futuro: IA, Aprendizado de Máquina e Ciência de Dados. Você sabe o que o sucesso dos maiores gigantes da web, como Google, Amazon e Facebook, têm em comum? É o uso que eles fizeram do aprendizado de máquina. Aprendizado de máquina é um ramo da inteligência artificial que tem como objetivo ensinar computadores a aprender autonomamente, sem serem programados explicitamente. Aprendizado de máquina não é uma novidade, mas só ganhou destaque com o novo milênio por dois motivos: a enorme quantidade de dados disponíveis na web hoje e o progresso da tecnologia e o aumento do poder de computação. Esses dois fatores, combinados com suas inúmeras aplicações comerciais, estão contribuindo para o crescimento vertiginoso do aprendizado de máquina, que está arrastando todo o campo da inteligência artificial junto com ele. Neste curso prático, você aprenderá como o aprendizado de máquina funciona e como usá-lo de forma prática, utilizando a linguagem Python e bibliotecas populares como Scikit-learn, Pandas e PyPlot. Você quer dar uma guinada em sua carreira? O especialista em aprendizado de máquina é a profissão do futuro, e o LinkedIn confirma isso. De acordo com sua pesquisa recente, o Engenheiro de Aprendizado de Máquina é a figura mais procurada pelas empresas, com uma taxa de crescimento de quase 1000% nos últimos 5 anos, seguido de perto pelo Cientista de Dados. Ao final deste curso, você terá adquirido a experiência prática e os conhecimentos teóricos necessários para iniciar sua carreira em ambas essas novas profissões. Você quer começar sua própria startup no campo de IA? O valor total do mercado de inteligência artificial em 2016 foi de US$ 1,3 bilhão, e de acordo com uma pesquisa de uma grande empresa de análise americana, seu valor poderia ultrapassar US$ 60 bilhões até 2025. IA é a próxima grande coisa, e o aprendizado de máquina é seu coração pulsante. Ao seguir este curso, você terá uma visão geral do aprendizado de máquina e como ele se relaciona com a inteligência artificial, e poderá usar esse novo conhecimento para dar vida ao seu negócio. Para quem é este curso? Este curso é para você se você deseja aprender as principais técnicas de aprendizado de máquina e colocá-las em prática imediatamente, sabendo o que acontece em cada algoritmo, mas sem se perder em matemática excessiva. Este curso não é para você se você estudou muita matemática e quer continuar vendo muita matemática, se você é mais teórico do que prático, se você ama formalismos e se prefere aprender com alguém que tenha pelo menos o dobro da sua idade. Não sabe programar e ainda não conhece a linguagem Python? Não se preocupe, ensinaremos tudo durante o curso sem dar nada como certo! A única coisa que você precisa para fazer este curso é algum conhecimento básico de matemática do ensino médio. O conteúdo do curso: Começaremos o curso explorando brevemente o vasto campo da inteligência artificial, como o aprendizado de máquina se encaixa nele e como este último está relacionado à ciência de dados. Juntos, construiremos seu ambiente de trabalho com base em suas necessidades e preferências pessoais. Logo em seguida, colocaremos a mão na massa trabalhando em nosso primeiro conjunto de dados. Veremos juntos as principais técnicas de pré-processamento de dados e engenharia de recursos, ou seja, como otimizar e manipular um conjunto de dados para torná-lo uma boa entrada para um algoritmo de aprendizado de máquina. Depois de aprender a trabalhar com um conjunto de dados, podemos começar a falar sobre aprendizado de máquina. Você será apresentado aos dois principais tipos de aprendizado: aprendizado supervisionado e aprendizado não supervisionado. Faremos uma regressão para estimar o valor de uma casa com base em suas várias características, como tamanho, andares e número de quartos, e estudaremos brevemente os principais modelos para esse tipo de problema: regressão linear simples, regressão polinomial e regressão múltipla. Abordaremos o problema do overfitting e como o viés e a variância o controlam. Para combatê-lo, estudaremos os principais modelos de regressão regularizados: Lasso, Ridge Regression e Elasticnet. Ao final desta seção, você terá uma base sólida em regressão e saberá como criar seus próprios modelos autonomamente. Em seguida, podemos passar para o segundo tipo de problema: classificação. Realizaremos nossa primeira classificação usando um conjunto de dados contendo imagens de dígitos escritos à mão (MNIST). Começaremos com um modelo de classificação linear: regressão logística, vendo como ele pode ser usado para classificar exemplos em duas classes ou várias classes. Em seguida, observaremos as limitações dos modelos lineares e as vantagens de uma abordagem não linear. Veremos os principais modelos nessa nova categoria: árvores e florestas, SVM com kernel, vizinhos mais próximos e redes neurais artificiais. Neste ponto, você já saberá como construir seus modelos para os dois principais problemas de aprendizado supervisionado: regressão e classificação. Concluiremos esta seção com técnicas de depuração e otimização para tornar seus modelos robustos e acelerar a fase de treinamento. Na próxima seção, passaremos para a segunda categoria de aprendizado: aprendizado não supervisionado. Abordaremos o problema de agrupamento, ou seja, como criar automaticamente grupos de dados reconhecendo características compartilhadas dentro do conjunto de dados. Para isso, estudaremos os algoritmos de agrupamento mais amplamente utilizados, tanto na academia quanto na indústria: K-Means, Agrupamento Hierárquico e DBSCAN. Técnicas de redução de dimensionalidade são incrivelmente úteis ao trabalhar com conjuntos de dados que têm um alto número de dimensões, tanto para visualização gráfica quanto para acelerar a fase de treinamento. Nesta seção, falaremos sobre esses tópicos. Concluiremos o curso com alguns conselhos sobre como prosseguir, recomendações de livros para aprofundar a parte teórica e competições Kaggle para participar e aprimorar suas habilidades práticas. O que você aprenderá: - Dominar o aprendizado de máquina com Python - Analisar um conjunto de dados para extrair informações úteis - Entender como os modelos de aprendizado de máquina mais comuns funcionam - Usar aprendizado de máquina em problemas do mundo real - Entender a diferença entre modelos supervisionados e não supervisionados - Escolher e otimizar um modelo de aprendizado de máquina - Fazer previsões e classificações com base em dados - Realizar agrupamento para agrupar automaticamente dados semelhantes - Aprender a usar Pandas e Scikit-learn - Trabalhar com iPython e Jupyter Notebook