Bootcamp Completo em Data Science com Python 2023

Treinamento Completo em Data Science: Matemática, Estatística, Python, Estatística Avançada, Machine & Deep Learning
Bootcamp Completo em Data Science com Python 2023
File Size :
6.91 GB
Total length :
16h 22m

Category

Instructor

365 Careers

Language

Last update

Última atualização em 7/2020

Ratings

4.3/5

Bootcamp Completo em Data Science com Python 2023

What you’ll learn

O curso fornecerá todas as ferramentas para se tornar um cientista de dados
Preencher seu currículo com habilidades em demanda em data science: Análises estatísticas, Programação em Python com numpy, pandas, matplotlib, e Seaborn, Análises estatísticas avançadas, Tableau, Machine Learning com stats models e scikit-learn, Deep Learning com TensorFlow
Impressionar entrevistadores ao mostrar seu conhecimento na área de ciência de dados
Aprender a como pré-processar dados
Entender a matemática por trás de Machine Learning (uma obrigação que outros cursos não ensinam!)
Começar a programar em Python e aprender a como usar análises estatísticas
Realizar regressões logísticas e lineares em Python
Fazer análises de fatores e agrupamentos
Poderá criar algoritmos de Machine Learning em Python, usando NumPy, statsmodels e scikit-learn
Aplicar suas habilidades em casos reais de negócios
Usar o que há de mais avançado em Deep Learning usando frameworks como o TensorFlow do Google
Desenvolver uma intuição de negócios enquanto programa e resolver tarefas com big data
Descobrir o poder das redes neurais profundas
Melhorar algoritmos de Machine Learning ao estudar underfitting, overfitting, treinamento, validação, validação cruzada n-fold, teste, e como os hiperparâmetros pode melhorar a performance
Aqueça seus dedos pois você deve estar ansioso para aplicar tudo que aprender aqui em mais e mais casos da vida real

Bootcamp Completo em Data Science com Python 2023

Requirements

Nenhuma experiência prévia é necessária. Começaremos do básico.
Você precisará instalar Anaconda. Mostraremos como fazer isso passo-a-passo
Microsoft Excel 2003, 2010, 2013, 2016, or 365

Description

O problemaCientista de dados é uma das melhores profissões para prosperar nesse século. É digital, com foco na programação, e também é analítica. Dessa forma, não é surpresa que a demanda por cientista de dados esteja crescendo no mercado de trabalho.Entretanto, a oferta é muito limitada. É difícil adquirir as habilidades necessárias para ser contratado(a) como cientista de dados.E como você pode fazer isso?As universidades têm, lentamente, criado programas especializados para data science. (sem mencionar que as que existem são muito caras e longas)A maioria dos cursos online focam em um tópico específico e são difíceis de entender em como a habilidade ensinada se encaixa no todoA soluçãoData science é uma área multidisciplinar. Engloba uma variedade de tópicos.· Entendimento do campo de data science e os tipos de análises usadas· Matemática· Estatística· Python· Aplicação de técnicas estatísticas avançadas em Python· Visualização de dados· Machine Learning· Deep LearningCada um desses tópicos se baseia no anterior. E há um risco de você se perder no meio do caminho se não aprender as habilidades na ordem certa. Por exemplo, uns podem ter dificuldades na aplicação de técnicas de Machine Learning antes de entender a Matemática por trás. Ou, pode ser difícil estudar análises de regressão em Python sem antes ver o que é uma regressão.Então, para poder ser criado o mais efetivo, conciso, e melhor curso de data science disponível online, criamos o Bootcamp Completo em Data Science com Python 2022.Acreditamos que esse seja o primeiro programa de treinamento que resolve os maiores desafios para entrar no campo de data science – tendo todos os recursos necessários em um só lugar.Além disso, nosso foco é ensinar os tópicos de forma suave e complementar a cada um dos outros. O curso ensina tudo que você precisa saber para se tornar um cientista de dados por uma fração do custo de programas tradicionais (sem mencionar o tempo que você economizará).As habilidades1. Introdução à Dados e Data ScienceBig data, estratégia empresarial, analytics de negócios, machine learning e inteligência artificial. Sabemos que esses jargões pertencem ao campo de data science, mas o que todos eles significam?Porque aprender isso?Como um candidato a cientista de dados, você deve entender os atalhos e saídas de cada uma dessas áreas e reconhecer a abordagem apropriada para resolver o problema. Essa ‘Introdução à dados e data science’ irá dar uma visão geral de todos os jargões e onde se encaixam no mundo de data science.2. MatemáticaAprender as ferramentas é o primeiro passo para fazer data science. Você deve ter a visão geral para então poder examinar em detalhes.Damos uma olhada especial em cálculo e álgebra linear, já que são subáreas que data science se baseia e serão necessárias em Python.Porque aprender isso?Cálculo e Álgebra Linear são essenciais para Python em data science. Se você quiser entender algoritmos avançados de machine learning, então precisará dessas habilidades em seu arsenal.3. EstatísticaVocê precisa pensar como um cientista antes de se tornar um. Estatísticos treinam sua mente para enquadrar problemas em hipóteses e fornecer técnicas para testar essas hipóteses, assim como um cientista.Porque preciso aprender isso?Esse curso não dá apenas as ferramentas que você precisa, mas também ensina a usá-las. A Estatística lhe treina a pensar como cientista.4. PythonPython é uma linguagem de programação relativamente nova, ao contrário de R, é uma linguagem de propósito geral. Você pode fazer quaisquer coisas com ela! Aplicações web, jogos de computador e data science são algumas de suas capacidades. É por isso, que em um curto espaço de tempo, é usada em diversas disciplinas. Bibliotecas extremamente ponderosas tem sido desenvolvidas para permitir manipulação de dados, transformação e visualização. Mas, na verdade, onde Python realmente brilha, é quando lida com machine e deep learning.Porque aprender isso?Quando se trata de desenvolvimento, implementação, e aplicação de modelos de machine learning através de frameworks poderosos como o scikit-learn, TensorFlow, etc. Python é uma linguagem quase que obrigatória.5. TableauCientista de dados não precisam apenas lidar com dados e resolver problemas baseados neles. Também precisam convencer executivos de empresas a tomar as decisões certas. Executivos talvez não tenham tanto conhecimento em data science, então um cientista de dados deve ser capaz de apresentar e visualizar a história dos dados de maneira fácil de entender. É aí que Tableau entra – e iremos ajudar você a se tornar um contador de histórias profissional usando o software líder de visualização em estratégia empresarial e data science.Porque aprender isso?Um cientista de dados depende das ferramentas de visualização em estratégia empresarial como o Tableau para comunicar resultados complexos para gerentes que não possuam tanto conhecimento técnico em data science.6. Estatística AvançadaRegressões, agrupamentos, e análises de fatores são todas disciplinas inventadas antes de machine learning. Entretanto, esses métodos estatísticos são agora realizados através de machine learning em Python para fornecer previsões com precisão nunca antes vistas. Essa seção irá analisar essas técnicas em detalhes.Porque aprender isso?Data science se trata de modelagem preditiva e você pode se tornar um especialista nesses métodos na seção ‘estatística avançada’.7. Machine LearningA parte final do programa se trata do que cada seção tem guiada, e é deep learning. Ser capaz de empregar machine e deep learning na linguagem Python é o que normalmente separa um cientista de dados de um analista de dados no trabalho. Essa seção cobre todas as técnicas comuns de machine learning e métodos de deep learning com TensorFlow.Porque aprender isso?Machine learning está em todos os lugares. Empresas como Facebook, Google, e Amazon tem usado máquinas que aprendem sozinhas por vários anos. Agora é a sua vez de controlar as máquinas.***O que você receberá***· Um programa no valor de R$ 6.000· Suporte ativo na seção de Q&A· Todo o conhecimento para ser contratado como cientista de dados· Uma comunidade de aprendizes de data science· Um certificado ao fim do curso· Acesso a atualizações futuras· Resolver casos reais de negócios que lhe permitirão achar um empregoVocê se tornará um(a) cientista de dados do zeroTemos o prazer de oferecer um reembolso incondicional de 30 dias em garantia total. Sem risco para você. O conteúdo do curso é excelente, e não temos dúvidas de que você irá gostar.Porque esperar? Cada dia é uma oportunidade perdida.Clique no botão “Comprar agora” e faça parte do nosso programa de cientista de dados ainda hoje.

Overview

Section 1: Parte 1: Introdução

Lecture 1 O Que o Veremos no Curso

Section 2: -O Campo de Data Science – As Várias Disciplinas de Data Science

Lecture 2 Data Science e Jargões de Negócios: Por Que Existem Tantos?

Lecture 3 Qual é a Diferença entre Análises e Analytics

Lecture 4 Análise de Negócios, Análise de Dados e Data Science: Introdução

Lecture 5 Continuando Com EE, ML E IA

Lecture 6 Detalhamento do Infográfico de Data Science

Section 3: -O Campo de Data Science – Conectando as Disciplinas de Data Science

Lecture 7 Aplicação de Dados Tradicionais, Big Data, EE, Ciência de Dados Tradicional e ML

Section 4: -O Campo de Data Science – Benefícios de Cada Disciplina

Lecture 8 A Razão Por Trás dessas Disciplinas

Section 5: -O Campo de Data Science – Técnicas Populares de Data Science

Lecture 9 Técnicas Para Trabalhar com Dados Tradicionais

Lecture 10 Exemplos da Vida Real de Dados Tradicionais

Lecture 11 Técnicas Para Trabalhar com Big Data

Lecture 12 Exemplos da Vida Real de Big Data

Lecture 13 Técnicas de Estratégia Empresarial (EE)

Lecture 14 Exemplos da Vida Real de Estratégia Empresarial (EE)

Lecture 15 Técnicas Para Trabalhar com Métodos Tradicionais

Lecture 16 Exemplos da Vida Real de Métodos Tradicionais

Lecture 17 Técnicas de Machine Learning (ML)

Lecture 18 Tipos de Machine Learning

Lecture 19 Exemplos da Vida Real de Machine Learning (ML)

Section 6: -O Campo de Data Science – Ferramentas Populares de Data Science

Lecture 20 Linguagens de Programação e Softwares Necessários Usados em Data Science

Section 7: -O Campo de Data Science – Carreiras em Data Science

Lecture 21 Encontrando Emprego – O que Esperar e Procurar

Section 8: -O Campo de Data Science – Desmistificando Equívocos Comuns

Lecture 22 Desmistificando Equívocos Comuns

Section 9: Parte 2: Estatística

Lecture 23 População e Amostra

Section 10: -Estatística – Estatística Descritiva

Lecture 24 Tipos de Dados

Lecture 25 Níveis de Mensuração

Lecture 26 Variáveis ​​Categóricas – Técnicas de Visualização

Lecture 27 Variáveis ​​Categóricas. Exercício

Lecture 28 Variáveis ​​Numéricas – Tabela de Distribuição de Frequência

Lecture 29 Variáveis ​​Numéricas. Exercício

Lecture 30 O Histograma

Lecture 31 Histograma. Exercício

Lecture 32 Tabelas Pivô e Gráficos de Dispersão

Lecture 33 Tabelas Pivô e Gráficos de Dispersão. Exercício

Lecture 34 Média, Mediana e Moda

Lecture 35 Média, Mediana e Moda. Exercício

Lecture 36 Assimetria

Lecture 37 Assimetria. Exercício

Lecture 38 Variância

Lecture 39 Variância. Exercício

Lecture 40 Desvio Padrão e Coeficiente de Variação

Lecture 41 Desvio Padrão E Coeficiente de Variação. Exercício

Lecture 42 Covariância

Lecture 43 Covariância. Exercício

Lecture 44 Coeficiente de Correlação

Lecture 45 Coeficiente de Correlação. Exercício

Section 11: –Estatística – Exemplo Prático: Estatística Descritiva

Lecture 46 Exemplo Prático: Estatística Descritiva

Lecture 47 Exemplo Prático: Estatística Descritiva. Exercício

Section 12: –Estatística – Fundamentos de Estatística Inferencial

Lecture 48 Introdução

Lecture 49 O Que é uma Distribuição

Lecture 50 A Distribuição Normal

Lecture 51 A Distribuição Normal Padrão

Lecture 52 Distribuição Normal Padrão. Exercício

Lecture 53 Teorema do Limite Central

Lecture 54 Erro Padrão

Lecture 55 Estimadores e Estimativas

Section 13: –Estatística – Estatística Inferencial: Intervalos de Confiança

Lecture 56 O Que são Intervalos de Confiança?

Lecture 57 Intervalos de Confiança; Variação Populacional Conhecida; Escore-Z

Lecture 58 Intervalos de Confiança; Variação Populacional Conhecida; Escore-Z; Exercício

Lecture 59 Esclarecimentos Sobre o Intervalo de Confiança

Lecture 60 Distribuição T de Student

Lecture 61 Intervalos de Confiança; Variação Populacional desconhecida; Escore T

Lecture 62 Intervalos de Confiança; Variação Populacional desconhecida; Escore T; Exercício

Lecture 63 Margem de Erro

Lecture 64 Intervalos de Confiança. Duas Médias. Amostras dependentes

Lecture 65 Intervalos de Confiança. Duas Médias. Amostras dependentes. Exercício

Lecture 66 Intervalos de Confiança. Duas Médias. Amostras Independentes (Parte 1)

Lecture 67 Intervalos de Confiança. Duas Médias. Amostras Independentes (Parte 1) Exercício

Lecture 68 Intervalos de Confiança. Duas Médias. Amostras Independentes (Parte 2)

Lecture 69 Intervalos de Confiança. Duas Médias. Amostras Independentes (Parte 2) Exercício

Lecture 70 Intervalos de Confiança. Duas Médias. Amostras Independentes (Parte 3)

Section 14: –Estatística – Exemplo Prático: Estatística Inferencial

Lecture 71 Exemplo Prático: Estatística Inferencial

Lecture 72 Exemplo Prático: Estatística Inferencial. Exercício

Section 15: –Estatística – Teste de Hipóteses

Lecture 73 Hipótese Nula vs Alternativa

Lecture 74 Região de Rejeição e Nível de Significância

Lecture 75 Erro Tipo I e Erro Tipo II

Lecture 76 Teste Para a Média. Variação Populacional Conhecida

Lecture 77 Teste Para a Média. Variação Populacional Conhecida. Exercício

Lecture 78 P-valor

Lecture 79 Teste Para a Média. Variação da População desconhecida

Lecture 80 Teste Para a Média. Variação da População desconhecida. Exercício

Lecture 81 Teste Para a Média. Amostras dependentes

Lecture 82 Teste Para a Média. Amostras dependentes. Exercício

Lecture 83 Teste Para a Média. Amostras Independentes (Parte 1)

Lecture 84 Teste Para a Média. Amostras Independentes (Parte 1). Exercício

Lecture 85 Teste Para a Média. Amostras Independentes (Parte 2)

Lecture 86 Teste Para a Média. Amostras Independentes (Parte 2) Exercício

Section 16: –Estatística – Exemplo Prático: Teste de Hipóteses

Lecture 87 Exemplo Prático: Teste de Hipóteses

Lecture 88 Exemplo Prático: Exercício de Teste de Hipóteses

Section 17: –Parte 3: Introdução em Python

Lecture 89 Introdução à Programação

Lecture 90 Por Que Python?

Lecture 91 Por Que Jupyter?

Lecture 92 Instalando Python e Jupyter

Lecture 93 Entendendo a Interface do Jupyter – O Dashboard Notebook

Lecture 94 Pré-Requisitos para Programação no Notebook Jupyter

Lecture 95 Python 2 vs Python 3

Section 18: -Python – Variáveis ​​e Tipos de Dados

Lecture 96 Variáveis

Lecture 97 Números e Valores Booleanos em Python

Lecture 98 Strings em Python

Section 19: –Python – Sintaxe Básica de Python

Lecture 99 Usando Operadores Aritméticos em Python

Lecture 100 O Duplo Sinal de Igualdade

Lecture 101 Como Reatribuir Valores

Lecture 102 Adicionar Comentários

Lecture 103 Compreendendo a Continuação da Linha

Lecture 104 Elementos de Indexação

Lecture 105 Estruturação com Recuo

Section 20: -Python – Outros Operadores Python

Lecture 106 Operadores de Comparação

Lecture 107 Operadores Lógicos e de Identidade

Section 21: –Python – Declarações Condicionais

Lecture 108 A declaração IF

Lecture 109 A declaração ELSE

Lecture 110 A declaração ELIF

Lecture 111 Detalhe sobre Valores Booleanos

Section 22: –Python – Funções de Python

Lecture 112 Definindo uma Função No Python

Lecture 113 Como Criar uma Função Com um Parâmetro

Lecture 114 Definindo uma Função em Python – Parte II

Lecture 115 Como Usar Uma Função dentro de uma Função

Lecture 116 Declarações e Funções Condicionais

Lecture 117 Funções Contendo Alguns Argumentos

Lecture 118 Funções Internas de Python

Section 23: -Python – Sequências

Lecture 119 Listas

Lecture 120 Usando Métodos

Lecture 121 Divisão de Listas

Lecture 122 Tuples

Lecture 123 Dicionários

Section 24: -Python – Iterações

Lecture 124 Loops For

Lecture 125 Loop While e Incrementação

Lecture 126 Listas Com a Função range()

Lecture 127 Declarações Condicionais e Loops

Lecture 128 Declarações Condicionais, Funções e Loops

Lecture 129 Como Iterar sobre Dicionários

Section 25: -Python – Ferramentas Avançadas em Python

Lecture 130 Programação Orientada a Objetos

Lecture 131 Módulos e Pacotes

Lecture 132 O Que é a Biblioteca Padrão?

Lecture 133 Importando Módulos em Python

Section 26: -Parte 4: Métodos Estatísticos Avançados em Python

Lecture 134 Introdução à Análise de Regressão

Section 27: -Métodos Estatísticos Avançados – Regressão Linear com Statsmodels

Lecture 135 O Modelo de Regressão Linear

Lecture 136 Correlação vs Regressão

Lecture 137 Representação Geométrica do Modelo de Regressão Linear

Lecture 138 Instalação de Pacotes Python

Lecture 139 Primeira Regressão em Python

Lecture 140 Primeira Regressão em Python. Exercício

Lecture 141 Usando Seaborn para Gráficos

Lecture 142 Como Interpretar a Tabela de Regressão

Lecture 143 Decomposição da Variabilidade

Lecture 144 O Que é o MMQ?

Lecture 145 R-Quadrado

Section 28: -Métodos Estatísticos Avançados – Regressão Linear Múltipla com Modelos Stats

Lecture 146 Regressão Linear Múltipla

Lecture 147 R-Quadrado Ajustado

Lecture 148 Regressão Linear Múltipla. Exercício

Lecture 149 Teste de Significância do Modelo (Teste-F)

Lecture 150 Hipóteses de MMQ

Lecture 151 A1: Linearidade

Lecture 152 A2: Sem Endogeneidade

Lecture 153 A3: Normalidade e Homocedasticidade

Lecture 154 A4: Sem Autocorrelação

Lecture 155 A5: Nenhuma Multicolinearidade

Lecture 156 Lidando Com Dados Categóricos – Variáveis Dummy

Lecture 157 Lidando Com Dados Categóricos – Variáveis Dummy. Exercício

Lecture 158 Fazendo Previsões Com A Regressão Linear

Section 29: -Métodos Estatísticos Avançados – Regressão Logística

Lecture 159 Introdução à Regressão Logística

Lecture 160 Um Exemplo Simples em Python

Lecture 161 Função Logística vs Logit

Lecture 162 Construindo Uma Regressão Logística

Lecture 163 Construindo Uma Regressão Logística – Exercício

Lecture 164 Uma Dica de Valor Inestimável para Programação

Lecture 165 Compreendendo Tabelas de Regressão Logística

Lecture 166 Compreendendo as Tabelas de Regressão Logística – Exercício

Lecture 167 O Que as Probabilidades Realmente Significam

Lecture 168 Preditores Binários em uma Regressão Logística

Lecture 169 Preditores Binários em Regressão Logística – Exercício

Lecture 170 Cálculo da Precisão do Modelo

Lecture 171 Cálculo da Precisão do Modelo. Exercício

Lecture 172 Underfitting e Overfitting

Lecture 173 Testando o Modelo

Lecture 174 Testando o Modelo – Exercício

Section 30: –Estatística – Fundamentos de Estatística Inferencial

Lecture 175 Introdução à Análise de Agrupamentos

Lecture 176 Alguns Exemplos de Grupos

Lecture 177 Diferença entre Classificação e Agrupamentos

Lecture 178 Pré-requisitos de Matemática

Section 31: -Métodos Estatísticos Avançados – Agrupamento K-Means

Lecture 179 Agrupamento K-Means

Lecture 180 Um Exemplo Simples de Agrupamento

Lecture 181 Um Exemplo Simples de Agrupamento – Exercício

Lecture 182 Agrupamento de Dados Categóricos

Lecture 183 Agrupamento de Dados Categóricos – Exercício

Lecture 184 Como Escolher o Número de Grupos

Lecture 185 Como Escolher o Número de Grupos – Exercício

Lecture 186 Prós e Contras do Agrupamento K-Means

Lecture 187 Padronizar ou Não Padronizar

Lecture 188 Relação entre Agrupamento e Regressão

Lecture 189 Segmentação de Mercado Com Análise de Grupos (Parte 1)

Lecture 190 Segmentação de Mercado Com Análise de Grupos (Parte 2)

Lecture 191 Como o Agrupamento é Útil?

Lecture 192 Exercício: Segmentação de Espécies com Análise de Grupos (Parte 1)

Lecture 193 Exercício: Segmentação de Espécies com Análise de Grupos (Parte 2)

Section 32: –Métodos Estatísticos Avançados – Outros Tipos de Agrupamento

Lecture 194 Tipos de Agrupamento

Lecture 195 Dendrograma

Lecture 196 Mapas de Calor

Section 33: Parte 5: Matemática

Lecture 197 O Que é Uma Matriz?

Lecture 198 Escalares e Vetores

Lecture 199 Álgebra Linear e Geometria

Lecture 200 Matrizes em Python – Uma Maneira Conveniente de Representar Matrizes

Lecture 201 O Que é um Tensor?

Lecture 202 Adição e Subtração de Matrizes

Lecture 203 Erros ao Adicionar Matrizes

Lecture 204 Transposição de uma Matriz

Lecture 205 Produto escalar

Lecture 206 Produto escalar de Matrizes

Lecture 207 Por Que a Álgebra Linear é Útil?

Section 34: Parte 6: Deep Learning

Lecture 208 O Que Esperar dessa Parte?

Section 35: -Deep Learning – Introdução às Redes Neurais

Lecture 209 Introdução às Redes Neurais

Lecture 210 Treinando o Modelo

Lecture 211 Tipos de Machine Learning

Lecture 212 O Modelo Linear (Versão Algébrica Linear)

Lecture 213 O Modelo Linear com Várias Entradas

Lecture 214 O Modelo Linear com Várias Entradas e Várias Saídas

Lecture 215 Representação Gráfica das Redes Neurais Simples

Lecture 216 Qual é a Função Objetiva?

Lecture 217 Funções Objetivas Comuns: Perda de Norma L2

Lecture 218 Funções Objetivas Comum: Perda de Entropia Cruzada

Lecture 219 Algoritmo de Otimização: Gradiente Descendente de 1 Parâmetro

Lecture 220 Algoritmo de Otimização: Gradiente Descendente de n Parâmetros

Section 36: -Deep Learning – Como Construir Uma Rede Neural a Partir do Zero com Numpy

Lecture 221 Exemplo Básico de RN (Parte 1)

Lecture 222 Exemplo Básico de RN (Parte 2)

Lecture 223 Exemplo Básico de RN (Parte 3)

Lecture 224 Exemplo Básico de RN (Parte 4)

Lecture 225 Exemplos Básicos de RNs. Exercícios

Section 37: -Deep Learning – Tensorflow 2.0: Introdução

Lecture 226 Como Instalar o Tensorflow 2.0

Lecture 227 Esboço do Tensorflow e Comparação com Outras Bibliotecas

Lecture 228 Tensorflow 1 vs Tensorflow 2

Lecture 229 Nota Sobre a Sintaxe do Tensorflow 2

Lecture 230 Tipos de Formatos de Arquivo Compatíveis com Tensorflow

Lecture 231 Esboçando o Modelo com Tensorflow 2

Lecture 232 Interpretando o Resultado e Extraindo Pesos e Desvios

Lecture 233 Personalizando um Modelo Tensorflow 2

Lecture 234 RN Básica com Tensorflow: Exercícios

Section 38: -Deep Learning – Indo Além nas RNs: Introduzindo Redes Neurais Profundas

Lecture 235 O Que é uma Camada?

Lecture 236 O Que é uma Rede Profunda?

Lecture 237 Analisando uma Rede Profunda

Lecture 238 Não Linearidades e Seu Objetivo

Lecture 239 Funções de Ativação

Lecture 240 Funções de Ativação: Ativação Softmax

Lecture 241 Retropropagação

Lecture 242 Imagem de Retropropagação

Section 39: -Deep Learning – Overfitting

Lecture 243 O Que é Overfitting?

Lecture 244 Underfitting e Overfitting para Classificação

Lecture 245 O Que é Validação?

Lecture 246 Datasets de Treino, Validação e Teste

Lecture 247 Validação Cruzada N-Fold

Lecture 248 Parada Precoce ou Quando Parar o Treinamento

Section 40: -Deep Learning – Inicialização

Lecture 249 O Que é Inicialização?

Lecture 250 Tipos de Inicializações Simples

Lecture 251 Método de Última Geração – Inicialização (Xavier) Glorot

Section 41: -Deep Learning – Vendo Gradiente Descendente e Taxas de Aprendizado Programadas

Lecture 252 Gradiente Descendente Estocástico

Lecture 253 Problemas com o Gradiente Descendente

Lecture 254 Momentum

Lecture 255 Taxas de Aprendizado Programadas, ou Como Escolher a Taxa de Aprendizado Ideal

Lecture 256 Visualizados as Taxas de Aprendizado Programadas

Lecture 257 Taxas de Aprendizado Programadas e Adaptativas (Adagrad E Rmsprop)

Lecture 258 Adam (Estimativa Adaptativa do Momento)

Section 42: -Deep Learning – Pré-Processamento

Lecture 259 Introdução ao Pré-Processamento

Lecture 260 Tipos de Pré-Processamento Básico

Lecture 261 Padronização

Lecture 262 Pré-Processamento de Dados Categóricos

Lecture 263 Codificação Binária e One-Hot

Section 43: -Deep Learning – Classificando o Conjunto de Dados MNIST

Lecture 264 MNIST: O Dataset

Lecture 265 MNIST: Como Lidar com o MNIST

Lecture 266 MNIST: Importando os Pacotes Relevantes e Carregando os Dados

Lecture 267 MNIST: Pré-Processe os Dados – Crie Um Conjunto de Validação e Dimensione

Lecture 268 MNIST: Pré-Processa os Dados – Dimensione os Dados de Teste – Exercício

Lecture 269 MNIST: Pré-Processar os Dados – Embaralhamento e Lote

Lecture 270 MNIST: Pré-Processar os Dados – Embaralhamento e Lote – Exercício

Lecture 271 MNIST: Esboce o Modelo

Lecture 272 MNIST: Selecione a Perda e o Otimizador

Lecture 273 MNIST: Aprendendo

Lecture 274 MNIST – Exercícios

Lecture 275 MNIST: Testando o Modelo

Section 44: -Deep Learning – Exemplo de Caso de Negócios

Lecture 276 Caso de Negócios: Explorando o Dataset e Identificando Preditores

Lecture 277 Caso de Negócios: Esboçando A Solução

Lecture 278 Caso de Negócios: Balanceando o Conjunto de Dados

Lecture 279 Caso de Negócios: Pré-Processamento dos Dados

Lecture 280 Caso de Negócios: Pré-Processamento dos Dados – Exercício

Lecture 281 Caso de Negócios: Carregar os Dados Pré-Processados

Lecture 282 Caso de Negócios: Carregar os Dados Pré-Processados ​​- Exercício

Lecture 283 Caso de Negócios: Aprendendo e Interpretando o Resultado

Lecture 284 Caso de Negócios: Definindo Um Mecanismo de Parada Antecipada

Lecture 285 Caso de Negócios: Testando o Modelo

Lecture 286 Caso de Negócios: Exercício Final

Section 45: -Deep Learning – Conclusão

Lecture 287 Resumo do que Você Aprendeu

Lecture 288 O Que Tem de Mais por aí em Machine Learning

Lecture 289 Uma Visão Geral Das CNRs

Lecture 290 Uma Visão Geral Das RNRs

Lecture 291 Uma Visão Geral de Abordagens de Redes Não-Neurais

Você deverá fazer esse curso se quiser se tornar um(a) Cientista de Dados ou se quiser aprender sobre a área,Esse curso é para você se quiser uma ótima carreira,Esse curso é ideal para iniciantes, pois começa dos fundamentos e gradualmente aumenta suas habilidades

Course Information:

Udemy | Português | 16h 22m | 6.91 GB
Created by: 365 Careers

You Can See More Courses in the Developer >> Greetings from CourseDown.com

New Courses

Scroll to Top