Data Science e Machine Learning com Estatistica e Python

Formação Cientista de Dados Curso Completo de Ciência de Dados, Aprendizado de Máquina e Inteligência Artificial
Data Science e Machine Learning com Estatistica e Python
File Size :
9.08 GB
Total length :
20h 45m

Category

Instructor

Danilo Moreira

Language

Last update

Última atualização em 10/2020

Ratings

4.3/5

Data Science e Machine Learning com Estatistica e Python

What you’ll learn

Fundamentos da Linguagem Python
Estatística para Data Science
Teoria e Prática de Modelos de Machine Learning
Fundamentos de Pandas
Fundamentos de Numpy
Visualização de Dados com Matplotlib e Seaborn
Manipulação de Time Series
Introdução à Processamento de Linguagem Natural
Introdução à Aprendizagem Reinforçada / Inteligência Artificial
Introdução à Aprendizagem Não-Supervisionada
Redução de Dimensões

Data Science e Machine Learning com Estatistica e Python

Requirements

Ter alguma experiência anterior com programação ajuda. Porém não é obrigatório, pois o curso cobre os fundamentos de programação em Python.

Description

Fundamentos da linguagem de programação Python , que é a principal base de linguagem para a aplicação da ciência de dadosEstudo das principais funcionalidades da biblioteca Pandas , que é a principal biblioteca de manipulação de dados da Data ScienceEstudo das principais funcionalidades da biblioteca Numpy , que é a principal biblioteca de manipulação de operações matemáticasEstudo das principais bibliotecas de Visualização de Dados : Matplotlib e SeabornManipulando TimeSeries, que são os tipos usados em ​​datas e horasRedução de Dimensões com PCA e TSNEEstatística para Data Science.Machine Learning , com teoria e aplicação prática de estratégias básicas e avançadasIntuição e aplicação dos seguintes modelos preditivos:Linear_Regression (Regressão Linear) Logistic_Regression (Regressão Lógica)Decision_Tree (Árvore de Decisão)Random_Forest (Floresta Aleatória)Stochastic_Gradient_Descent (SGD)Support_Vector_Machine (SVM) AdaBoostGradient_Boost (Impulsionamento Gradiente)K-Means_Clustering – (K-Médias de Grupos)K-Nearest_Neighbors (KNN) PROJETO: Predição da Idade dos Passageiros do Titanic (Regressão Linear)PROJETO: Classificação de sobrevivência dos passageiros do Titanic (Classificação)PROJETO: Análise de Sentimentos de Frases do Twitter (Processamento de Linguagem Natural – PLN)PROJETO: Funcionamento e uso do modelo de detecção e classificação de objetos em imagens e vídeos YOLO (Visão Computacional)PROJETO: Segregando Clientes por Padrões de Compras (Clustering)PROJETO: Táxi Auto-Dirigível (Aprendizagem Reinforçada)

Overview

Section 1: Introdução

Lecture 1 Demanda

Lecture 2 Diagrama Venn da Ciência de Dados

Lecture 3 Big data

Lecture 4 Como fazer esse curso

Lecture 5 Instalação do Jupyter Notebook

Lecture 6 Jupyter notebook – Teclas Atalho

Lecture 7 NÃO PULE ESSA AULA – Download dos Recursos de Todas as Aulas

Section 2: Python

Lecture 8 Recursos do Módulo

Lecture 9 Variáveis

Lecture 10 Operadores Lógicos, Aritméticos e de Comparação

Lecture 11 Métodos

Lecture 12 Listas, Tuplas e Sets

Lecture 13 Condicionais (if e else)

Lecture 14 Loops (while e for)

Lecture 15 Dicionários

Lecture 16 Compreensão de Listas

Lecture 17 Expressões Lambda

Section 3: Numpy

Lecture 18 Recursos do Módulo

Lecture 19 Numpy Array

Lecture 20 Numpy Array: Operações Inteligentes

Lecture 21 Numpy Array: Slicing e Indexing

Lecture 22 Numpy Array: Múltiplas Dimensões

Lecture 23 Numpy Array: Boolean

Lecture 24 Números Aleatórios

Section 4: Pandas

Lecture 25 Recursos do Módulo

Lecture 26 Comandos Básicos (head, tail, read_csv, info, describe (numérico e ‘O’))

Lecture 27 Describe – Resumo Estatístico

Lecture 28 Renomear colunas

Lecture 29 Selecionar Colunas Específicas

Lecture 30 Funções Matemáticas

Lecture 31 iloc

Lecture 32 loc

Lecture 33 map e replace (Mapear e Substituir)

Lecture 34 groupby (Agrupar Por)

Lecture 35 Crosstab

Lecture 36 Ordenando Dados

Lecture 37 NaN (dropna, fillna, isnull, np.isnan)

Lecture 38 Deletando Coluna ou Linha

Lecture 39 Apply e Lambda

Lecture 40 Variáveis Dummy e Concatenação de Dados

Lecture 41 Expressões Regulares

Lecture 42 Engenharia de Recursos

Lecture 43 iterrows – Iterando Linha por LInha

Section 5: Visualização de Dados

Lecture 44 Recursos do Módulo

Lecture 45 Preparando Dados Para Visualização

Lecture 46 Subplots – 1ª Forma

Lecture 47 Subplots – 2ª Forma

Lecture 48 pie e countplot

Lecture 49 countplot e hue

Lecture 50 boxplot

Lecture 51 violinplot

Lecture 52 FaceGrid com hist e barplot

Lecture 53 FacetGrid com distplot

Lecture 54 catplot do tipo “point”

Lecture 55 FacetGrid com pointplot

Lecture 56 Heatmap de Dados Ausentes

Lecture 57 relplot

Lecture 58 scatterplot

Lecture 59 pairplot

Lecture 60 jointplots

Lecture 61 kdeplot

Lecture 62 catplot, count e heatmap de correlações

Lecture 63 Dados Artificiais

Lecture 64 Fontes

Section 6: Time Series

Lecture 65 Recursos do Módulo

Lecture 66 datetime now

Lecture 67 timedelta – Diferença de Tempo

Lecture 68 String para Data Hora (Strptime)

Lecture 69 String para data

Lecture 70 String para tempo

Lecture 71 Períodos de Tempo

Lecture 72 DatetimeIndex para String e configurações de idioma

Lecture 73 Gráfico de Datas e Valores

Lecture 74 DataFrame e time series

Section 7: Estatística

Lecture 75 Recursos do Módulo

Lecture 76 Amostra e População

Lecture 77 Tipos de Dados e Níveis de Mensuração

Lecture 78 Técnicas de Amostragens

Lecture 79 Histograma I

Lecture 80 Histograma II

Lecture 81 Frequência Relativa

Lecture 82 Média, Mediana e Moda

Lecture 83 Medidas de Dispersão – Teoria

Lecture 84 Medidas de Dispersão – Prática

Lecture 85 Variância e Desvio Padrão

Lecture 86 Regra Empírica 68-95-99.7

Lecture 87 Valor-Z

Lecture 88 Tabela-Z

Lecture 89 Encontrar X

Lecture 90 Coeficiente de Variação

Lecture 91 Covariância

Lecture 92 Coeficiente de Correlação

Lecture 93 Correlação x Causalidade

Lecture 94 Correlações Espúrias

Lecture 95 Paradoxo de Simpson

Lecture 96 Probabilidade: Conceitos Gerais

Lecture 97 Probabilidade: Exercícios

Lecture 98 Eventos Independentes x Mutuamente Exclusivos

Lecture 99 Probabilidade: Probabilidade de Árvore

Lecture 100 Teorema de Bayes x Probabilidade Condicional (Cartas de Uno)

Lecture 101 Teorema de Bayes x Probabilidade Condicional (Moeda Viciada)

Lecture 102 Teorema do Limite Central: Explicação

Lecture 103 Teorema do Limite Central: Aplicando os Conceitos

Lecture 104 Teorema do Limite Central: Comprovando o TLC

Lecture 105 Teorema do Limite Central: Peso e Altura

Lecture 106 Intervalo de Confiança

Lecture 107 Teste de Hipóteses: Tribunal

Lecture 108 Teste de Hipóteses: Proporções

Section 8: Estatística: Regressão Linear

Lecture 109 Recursos do Módulo

Lecture 110 Criando um DataFrame de Faturamento Mensal

Lecture 111 Criando Gráfico de Dispersão (Scatterplot)

Lecture 112 Identificando Elementos da Fórmula da Regressão Linear

Lecture 113 Aplicando a Fórmula

Lecture 114 Criando Listas de Predições

Lecture 115 Visualizando Regressão Linear

Lecture 116 R-Quadrado: Soma Quadrática dos Resíduos

Lecture 117 R-Quadrado: Soma Quadrática Total

Lecture 118 R-Quadrado: Resíduos x Médias

Lecture 119 R-Quadrado: Aplicando a Fórmula Completa

Lecture 120 Calculando RMSE

Lecture 121 RMSE e Regra Empírica

Lecture 122 Regressão Linear: StatsModel

Lecture 123 Regressão Linear: Sklearn

Section 9: Projeto: Regressão Linear (Predição da Idade)

Lecture 124 Recursos do Módulo

Lecture 125 Leitura e Concatenação de dados

Lecture 126 Tradução e mapeamento de colunas

Lecture 127 Corrigindo dados nulos

Lecture 128 Correlações

Lecture 129 Extraindo Títulos – Engenharia de Recursos

Lecture 130 Averiguando informações e removendo colunas

Lecture 131 Investigando “solteiras com pais” – Engenharia de Recursos

Lecture 132 Implementando “solteiras com pais” – Engenharia de Recursos

Lecture 133 Criando variáveis dummies

Lecture 134 Definindo train/test e X/y

Lecture 135 Treinando e avaliando modelo

Lecture 136 Preenchendo dados nulos

Lecture 137 Gerando CSV “idade_completa”

Section 10: Modelos Preditivos

Lecture 138 Recursos do Módulo

Lecture 139 Tipos de Machine Learning

Lecture 140 Linear Regression

Lecture 141 Logistic Regression

Lecture 142 KNN

Lecture 143 K-Means Clustering

Lecture 144 Decision Tree

Lecture 145 Random Forest

Lecture 146 SVM

Lecture 147 Adaboost

Lecture 148 SGD

Lecture 149 Gradient Boost

Section 11: Classificação: Técnicas Avançadas de ML

Lecture 150 Recursos do Módulo

Lecture 151 Introdução ao módulo

Lecture 152 Kaggle

Lecture 153 Introdução ao desafio

Lecture 154 Preparação inicial dos dados

Lecture 155 Tipos de dados

Lecture 156 Descrição dos dados

Lecture 157 Dados agrupados

Lecture 158 Visualização de Dados

Lecture 159 Sobrevivência da família vinculada

Lecture 160 TamanhoGrupo de mesmo sobrenome

Lecture 161 Corrigindo TamanhoGrupo para HomemAdulto

Lecture 162 Sobrevivência Grupo

Lecture 163 Sobrevivência das Famílias

Lecture 164 Expectativa de Vida

Lecture 165 Variáveis Dummy

Lecture 166 Preenchendo Idade e Tarifa

Lecture 167 Criando Faixas de Idade

Lecture 168 Familiares e Sozinho – Engenharia de Recursos

Lecture 169 Preparando train e test

Lecture 170 Definindo X e y

Lecture 171 Divisão de train e test

Lecture 172 Treinando vários modelos de uma vez

Lecture 173 Validação Cruzada (Cross-validation)

Lecture 174 Matriz de Confusão

Lecture 175 Métricas – Acuracidade Precisão Revocação e F1-Score

Lecture 176 Curva ROC e AUC

Lecture 177 Alterando probabilidades com threshold

Lecture 178 GridSearch e Hyper Parâmetros

Lecture 179 Ensembling: Classificação de Votos (Voting Classifier)

Lecture 180 Ensembling: Ensacamento (Bagging)

Lecture 181 Ensembling: Impulsionamento (Boosting)

Lecture 182 Importância de Recursos (Feature Importance)

Lecture 183 Predição do test

Lecture 184 Submetendo predições para o Kaggle

Section 12: Aprendizagem Não-Supervisionada (Clustering)

Lecture 185 Recursos do Módulo

Lecture 186 Leitura e plot dos dados no gráfico

Lecture 187 Método Elbow (Cotovelo)

Lecture 188 Segregando dados

Lecture 189 Analisando Clusters

Section 13: Redução de Dimensões (Dimensionality Reduction)

Lecture 190 Recursos do Módulo

Lecture 191 PCA aplicado no Dataset Iris

Lecture 192 PCA aplicado no Dataset Digits

Lecture 193 Redução de Dimensões com TSNE

Lecture 194 PCA por percentual de integridade

Section 14: Visão Computacional: YOLO

Lecture 195 Recursos do Módulo

Lecture 196 Explicação do YOLO

Lecture 197 Utilização do YOLO

Section 15: Processamento de Linguagem Natural (PLN): Análise de Sentimentos

Lecture 198 Recursos do Módulo

Lecture 199 Instalação das bibliotecas e leitura inicial dos dados

Lecture 200 Remoção de pontuação e caracteres especiais

Lecture 201 Remoção de palavras comuns

Lecture 202 Remoção de variações de palavras

Lecture 203 Quantidade de Palavras – Engenharia de Recursos

Lecture 204 Frequência de Palavras

Lecture 205 Nuvem de Palavras

Lecture 206 Método join

Lecture 207 Balanceando dados com “resampling”

Lecture 208 Divisão e preparação de dados para treino

Lecture 209 Treinando e avaliando a performance do modelo

Lecture 210 Submetendo para competição

Section 16: Aprendizagem Reinforçada: Taxi Auto-Dirigível

Lecture 211 Recursos do Módulo

Lecture 212 Introdução ao módulo

Lecture 213 Explicação inicial do projeto

Lecture 214 Recriando cenário da figura

Lecture 215 Tabela P da recompensa

Lecture 216 Sem Aprendizagem Reinforçada

Lecture 217 Visualização Iterativa

Lecture 218 Q-Learning e Tabela-Q

Lecture 219 Treinando o Agente

Lecture 220 Avaliando a performance do Agente

Section 17: Bônus

Lecture 221 Ofertas para meus outros cursos

Desenvolvedores Python de Todos os Níveis interessados em Data Science e Estatística,Desenvolvedores de outra linguagem interessados em Data Science e Estatística,Estudantes e Profissionais de TI interessados em ingressar no ramo de Data Science

Course Information:

Udemy | Português | 20h 45m | 9.08 GB
Created by: Danilo Moreira

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

New Courses

Scroll to Top