Machine Learning e Data Science com Python de A a Z

Aprenda as técnicas que o mundo real exige e torne-se um profissional competitivo na área de Inteligência Artificial!
Machine Learning e Data Science com Python de A a Z
File Size :
13.99 GB
Total length :
41h 45m

Category

Instructor

Jones Granatyr

Language

Last update

Última atualização em 1/2023

Ratings

4.6/5

Machine Learning e Data Science com Python de A a Z

What you’ll learn

Tenha uma base teórica sólida sobre os principais algoritmos de Machine Learning
Utilize as bibliotecas numpy, sklearn e pandas aplicado em Data Science e Machine Learning
Aprenda na teoria e na prática sobre os algoritmos de Machine Learning para classificação, regressão, regras de associação e agrupamento
Aprenda a realizar o pré-processamento em bases de dados com pandas e sklearn
Entenda como funcionam as técnicas para redução de dimensionalidade PCA, KernelPCA e LDA
Aprenda a avaliar os algoritmos de Machine Learning usando estatística
Aprenda a detectar outliers em bases de dados
Crie classificadores para prever se uma pessoa pagará ou não pagará um empréstimo
Crie classificadores para prever o salário de uma pessoa baseado em seus dados pessoais
Aprenda como vários conceitos da estatística estão relacionados com Machine Learning, como por exemplo: correlação, covariância, testes de hipóteses e distribuição normal
Implemente algoritmos de regressão para prever o preço de casas e o preço de planos de saúde
Implemente o algoritmo Apriori para descobrir regras de associação em bases de dados de mercados
Agrupe os clientes de um banco utilizando dados sobre o uso do cartão de crédito
Utilize aprendizagem por reforço para ensinar um simulador de táxi interagir com o passageiro
Implemente um classificador de sentimentos em textos utilizando a biblioteca spaCy
Implemente detecção de faces, reconhecimento facial e rastreamento de objetos da área da Visão Computacional
Implemente técnicas de seleção de atributos para descobrir os campos mais importantes em uma base de dados
Implemente técnicas de subamostragem e sobreamostragem para tratar bases de dados desbalanceadas
Utilize o algoritmo ARIMA e o Facebook Prophet para previsões futuras dos número de passageiros em empresas aéreas e também a previsão do número de visitantes em uma página web

Machine Learning e Data Science com Python de A a Z

Requirements

O único pré-requisito obrigatório é conhecimento sobre lógica de programação, principalmente estruturas condicionais e de repetição
Conhecimentos em Python não são obrigatórios! Existe um anexo no curso com aulas básicas sobre essa linguagem de programação

Description

A área de Machine Learning (Aprendizagem de Máquina) e Data Science (Ciência de Dados) é atualmente um dos campos de trabalho mais relevantes da Inteligência Artificial, sendo responsável pela utilização de algoritmos inteligentes que tem a função de fazer com que os computadores aprendam por meio de bases de dados. O mercado de trabalho de Machine Learning nos Estados Unidos e em vários países da Europa está em grande ascensão; e a previsão é que no Brasil cada vez mais esse tipo de profissional seja requisitado! Inclusive alguns estudos apontam que o conhecimento dessa área será em breve um pré-requisito para os profissionais de Tecnologia da Informação! E dentro deste contexto está o cientista de dados, que já foi classificado como o trabalho “número 1” por vários veículos da mídia internacional.E para levar você até essa área, neste curso completo você terá uma visão teórica e prática sobre os principais algoritmos de machine learning utilizando o Python, que é uma das linguagens de programação mais relevantes nesta área. Além disso, vamos utilizar o Google Colab para a implementação dos exemplos, o que facilita o entendimento dos conceitos e evita problemas de instalação de bibliotecas. Este curso é considerado de A à Z pelo fato de apresentar desde os conceitos mais básicos até técnicas mais avançadas, de modo que ao final você terá todas as ferramentas necessárias para construir soluções complexas e que podem ser aplicadas em problemas do dia-a-dia das empresas! Você aprenderá tudo passo a passo, ou seja, tanto a teoria quanto a prática de cada algoritmo! O curso é dividido em cinco partes principais:Classificação – pré-processamento dos dados, naïve bayes, árvores de decisão, random forest, regras, regressão logística, máquinas de vetores de suporte (SVM), redes neurais artificiais, avaliação de algoritmos e combinação e rejeição de classificadoresRegressão – regressão linear simples e múltipla, polinomial, árvores de decisão, random forest, vetores de suporte (SVR) e redes neurais artificiaisRegras de associação – algoritmos Apriori e ECLATAgrupamento – k-means, agrupamento hierárquico e DBSCANTópicos complementares – redução de dimensionalidade com PCA, KernelPCA e LDA, deteção de outliers, aprendizagem por reforço, processamento de linguagem natural, visão computacional, tratamento de dados desbalanceados, seleção de atributos e previsão de séries temporaisVeja abaixo alguns dos estudos de caso que serão implementados:Criação de gráficos dinâmicos para visualização de bases de dadosPrevisão se uma pessoa pagará um empréstimo baseado no histórico financeiroPrevisão do salário de uma pessoa levando em consideração seus dados pessoaisPrevisão do preço do plano de saúde baseado na idadePrevisão do preço de casas considerandoGeração de regras de associação para compor prateleiras de mercadoAgrupamento de clientes simulares considerando dados sobre o uso do cartão de créditoSimulação de um táxi utilizando aprendizagem por reforçoClassificação de sentimentos em textos com processamento de linguagem naturalDetecção de faces, reconhecimento facial e rastreamento de objetosPrevisão de visitas a websites com séries temporaisEste curso tem o objetivo de servir como um referencial de consulta sobre as técnicas abordadas, por isso ele procura cobrir a maior parte dos assuntos que envolvem machine learning. Este curso pode ser categorizado para todos os níveis, pois pode servir de base para consulta para alunos mais experientes no assunto e também um ótimo guia para quem está iniciando na área!

Overview

Section 1: Introdução

Lecture 1 Conteúdo do curso

Lecture 2 Mais sobre Machine Learning e Ciência de Dados

Lecture 3 Machine learning

Lecture 4 Por que aprender machine learning?

Lecture 5 Terminologia

Lecture 6 Métodos preditivos

Lecture 7 Métodos descritivos

Lecture 8 Tipos aprendizagem de máquina

Lecture 9 Classificação

Lecture 10 Recursos para download

Lecture 11 Referências complementares

Section 2: —– Parte 1 – Classificação —–

Lecture 12 Introdução a Parte 1 – Classificação

Section 3: Pré-processamento dos dados

Lecture 13 Introdução

Lecture 14 Tipos de variáveis

Lecture 15 Importação das bibliotecas

Lecture 16 Base de dados de crédito

Lecture 17 Visualização dos dados

Lecture 18 Tratamento de valores inconsistentes

Lecture 19 Tratamento de valores faltantes

Lecture 20 Divisão entre previsores e classe

Lecture 21 Escalonamento dos atributos

Lecture 22 Base de dados do censo

Lecture 23 Visualização dos dados

Lecture 24 Divisão entre previsores e classe

Lecture 25 Atributos categóricos – LabelEncoder

Lecture 26 Atributos categóricos – OneHotEncoder

Lecture 27 Escalonamento dos atributos

Lecture 28 Introdução a avaliação de algoritmos

Lecture 29 Bases de treinamento e teste

Lecture 30 Salvar as bases de dados

Lecture 31 Referências complementares

Section 4: Aprendizagem bayesiana

Lecture 32 Introdução

Lecture 33 Naïve bayes – introdução

Lecture 34 Naïve bayes – aprendizagem

Lecture 35 Naïve bayes – classificação

Lecture 36 Naïve bayes – correção laplaciana

Lecture 37 Naïve bayes – mais conceitos

Lecture 38 Naïve bayes – base risco de crédito

Lecture 39 Naïve bayes – base crédito

Lecture 40 Naïve bayes – base censo

Lecture 41 Referências complementares

Section 5: Aprendizagem por árvores de decisão

Lecture 42 Introdução

Lecture 43 Árvores de decisão – introdução

Lecture 44 Árvores de decisão – aprendizagem I

Lecture 45 Árvores de decisão – aprendizagem II

Lecture 46 Árvores de decisão – mais conceitos

Lecture 47 Árvores de decisão – base risco crédito

Lecture 48 Árvores de decisão – base crédito

Lecture 49 Árvores de decisão – base censo

Lecture 50 Random forest (floresta randômica)

Lecture 51 Random forest – base crédito

Lecture 52 Random forest – base censo

Lecture 53 Referências complementares

Section 6: Aprendizagem por regras

Lecture 54 Introdução

Lecture 55 Indução de regras – introdução

Lecture 56 Indução de regras – algoritmo OneR I

Lecture 57 Indução de regras – algoritmo OneR II

Lecture 58 Indução de regras – algoritmo PRISM

Lecture 59 Indução de regras – base risco crédito

Lecture 60 Indução de regras – base crédito

Lecture 61 Instalação do Orange

Lecture 62 Indução de regras – base censo + interface gráfica

Lecture 63 Indução de regras – base crédito + interface gráfica

Lecture 64 Classificador base (majority learner) – base crédito

Lecture 65 Classificador base (majority learner) – base censo

Lecture 66 Referências complementares

Section 7: Aprendizagem baseada em instâncias

Lecture 67 Introdução

Lecture 68 kNN – introdução

Lecture 69 kNN – cálculo de distância

Lecture 70 kNN – classificação

Lecture 71 kNN – normalização e padronização

Lecture 72 kNN – base crédito

Lecture 73 kNN – base censo

Lecture 74 Referências complementares

Section 8: Regressão logística

Lecture 75 Introdução

Lecture 76 Regressão logística – introdução

Lecture 77 Regressão logística – aprendizagem

Lecture 78 Regressão logística – classificação

Lecture 79 Regressão logística – base risco de crédito

Lecture 80 Regressão logística – base crédito

Lecture 81 Regressão logística – base censo

Lecture 82 Referências complementares

Section 9: Máquinas de vetores de suporte (SVM)

Lecture 83 Introdução

Lecture 84 SVM – introdução

Lecture 85 SVM – aprendizagem

Lecture 86 SVM – linear x não linear

Lecture 87 SVM – base crédito

Lecture 88 SVM – base censo

Lecture 89 Referências complementares

Section 10: Redes neurais artificiais

Lecture 90 Introdução

Lecture 91 Introdução a redes neurais

Lecture 92 Fundamentos biológicos

Lecture 93 Neurônio artificial

Lecture 94 Perceptron de uma camada

Lecture 95 Tipos de aprendizagem de máquina

Lecture 96 Ajuste dos pesos I

Lecture 97 Ajuste dos pesos II

Lecture 98 Introdução a redes neurais multicamada

Lecture 99 Funções de ativação

Lecture 100 Redes multicamada – ativação camada oculta I

Lecture 101 Redes multicamada – ativação camada oculta II

Lecture 102 Redes multicamada – ativação camada saída

Lecture 103 Redes multicamada – cálculo do erro

Lecture 104 Redes multicamada – pesos e erros

Lecture 105 Redes multicamada – descida do gradiente

Lecture 106 Redes multicamada – delta camada saída

Lecture 107 Redes multicamada – delta camada oculta

Lecture 108 Redes multicamada – backpropagation, taxa de aprendizagem e momento

Lecture 109 Redes multicamada – ajuste dos pesos com backpropagation I

Lecture 110 Redes multicamada – ajuste dos pesos com backpropagation II

Lecture 111 Redes multicamada – bias e erro

Lecture 112 Redes multicamada – saída com mais neurônios e Deep learning

Lecture 113 Redes multicamada – camadas ocultas

Lecture 114 Redes multicamada – camada saída categórica

Lecture 115 Redes multicamada – descida do gradiente estocástico

Lecture 116 Redes neurais – base crédito

Lecture 117 Redes neurais – base censo

Lecture 118 Referências complementares

Section 11: Avaliação de algoritmos de classificação

Lecture 119 Introdução

Lecture 120 Matriz de confusão

Lecture 121 Verdadeiro positivo e falso positivo

Lecture 122 Análise da matriz de confusão

Lecture 123 Precision e recall

Lecture 124 Validação cruzada

Lecture 125 Resumo sobre a avaliação de algoritmos de classificação

Lecture 126 Overfitting e underfitting

Lecture 127 Ajuste dos parâmetros dos algoritmos 1

Lecture 128 Ajuste dos parâmetros dos algoritmos 2

Lecture 129 Ajuste dos parâmetros dos algoritmos 3

Lecture 130 Validação cruzada – implementação

Lecture 131 Variância – teoria

Lecture 132 Desvio padrão – teoria

Lecture 133 Coeficiente de variação – teoria

Lecture 134 Análise dos resultados

Lecture 135 Distribuição normal – teoria

Lecture 136 Testes de hipóteses – teoria

Lecture 137 Testes de hipóteses – cálculos passo a passo

Lecture 138 Teste de normalidade nos resultados

Lecture 139 ANOVA – teoria

Lecture 140 Melhor algoritmo com ANOVA e Tukey

Lecture 141 Salvar um classificador já treinado

Lecture 142 Carregar um classificador já treinado

Lecture 143 Referências complementares

Section 12: Combinação e rejeição de classificadores

Lecture 144 Introdução

Lecture 145 Combinação de classificadores – teoria

Lecture 146 Combinação de classificadores – implementação

Lecture 147 Rejeição de classificadores – teoria

Lecture 148 Rejeição de classificadores – implementação

Lecture 149 Referências complementares

Section 13: —– Parte 2 – Regressão —–

Lecture 150 Introdução a Parte 2 – Regressão

Section 14: Regressão linear

Lecture 151 Covariância, coeficiente de correlação e determinação

Lecture 152 Regressão linear – teoria

Lecture 153 Regressão linear simples – base plano saúde

Lecture 154 Base preço casas – exploração

Lecture 155 Regressão linear simples – base preço casas 1

Lecture 156 Métricas de erro – teoria

Lecture 157 Regressão linear simples – base preço casas 2

Lecture 158 Regressão linear múltipla – base preço casas

Lecture 159 Referências complementares

Section 15: Outros tipos de regressão

Lecture 160 Regressão polinomial – teoria

Lecture 161 Regressão polinomial – base plano saúde

Lecture 162 Regressão polinomial – base preço das casas

Lecture 163 Regressão com árvores de decisão – teoria

Lecture 164 Regressão com árvores – base plano saúde

Lecture 165 Regressão com árvores – base preço das casas

Lecture 166 Regressão com random forest – teoria

Lecture 167 Regressão com random forest – base plano saúde

Lecture 168 Regressão com random forest – base preço das casas

Lecture 169 Regressão com vetores de suporte – teoria

Lecture 170 Regressão com vetores de suporte – base plano saúde

Lecture 171 Regressão com vetores de suporte – base preço casas

Lecture 172 Regressão com redes neurais – base plano saúde

Lecture 173 Regressão com redes neurais – base preço das casas

Lecture 174 Avaliação de algoritmos de regressão

Lecture 175 Referências complementares

Section 16: —– Parte 3 – Regras de Associação —–

Lecture 176 Introdução a Parte 3 – Regras de Associação

Section 17: Algoritmo apriori

Lecture 177 Introdução a regras de associação

Lecture 178 Apriori – introdução

Lecture 179 Apriori – suporte I

Lecture 180 Apriori – suporte II

Lecture 181 Apriori – confiança I

Lecture 182 Apriori – confiança II

Lecture 183 Apriori – lift

Lecture 184 Regras de associação – base mercado 1

Lecture 185 Regras de associação – base mercado 2

Lecture 186 Regras de associação – base mercado 3

Lecture 187 Regras de associação – base mercado 4

Lecture 188 Referências complementares

Section 18: Algoritmo ECLAT

Lecture 189 Teoria ECLAT

Lecture 190 ECLAT em Python

Lecture 191 Referências complementares

Section 19: —– Parte 4 – Agrupamento (clustering) —–

Lecture 192 Introdução a Parte 4 – Agrupamento (clustering)

Section 20: Agrupamento com k-means

Lecture 193 K-means – introdução

Lecture 194 K-means – cálculo de distância

Lecture 195 K-means – inicialização

Lecture 196 K-means – base salário idade

Lecture 197 K-means – dados aleatórios

Lecture 198 K-means – base cartão de crédito 1

Lecture 199 K-means – base cartão de crédito 2

Lecture 200 Referências complementares

Section 21: Outros algoritmos de agrupamento

Lecture 201 Agrupamento hierárquico – teoria

Lecture 202 Agrupamento hierárquico – base salário idade

Lecture 203 Agrupamento hierárquico – base cartão de crédito

Lecture 204 DBSCAN – teoria

Lecture 205 DBSCAN – base salário idade

Lecture 206 DBSCAN – base cartão de crédito

Lecture 207 DBSCAN x Hierárquico x K-means

Lecture 208 Referências complementares

Section 22: —– Parte 5 – Tópicos complementares —–

Lecture 209 Introdução a Parte 5 – Tópicos complementares

Section 23: Aprendizagem por reforço com Q-Learning

Lecture 210 Introdução

Lecture 211 Teoria

Lecture 212 Configuração do ambiente

Lecture 213 Treinamento 1

Lecture 214 Treinamento 2

Lecture 215 Avaliação

Lecture 216 Referências complementares

Section 24: Processamento de Linguagem Natural com spaCy e NLTK

Lecture 217 Introdução

Lecture 218 Marcação POS, lematização e stemização

Lecture 219 Carregamento da base de dados

Lecture 220 Buscas em textos com spaCy

Lecture 221 Extração de entidades nomeadas

Lecture 222 Nuvem de palavras com Python

Lecture 223 Nuvem de palavras com Orange

Lecture 224 Classificação de sentimentos com spaCy 1

Lecture 225 Classificação de sentimentos com spaCy 2

Lecture 226 Classificação de sentimentos com spaCy 3

Lecture 227 Classificação de sentimentos com spaCy 4

Lecture 228 Classificação de sentimentos com spaCy 5

Lecture 229 Classificação de sentimentos com spaCy 6

Lecture 230 Classificação de sentimentos com spaCy 7

Lecture 231 Classificação de sentimentos com spaCy 8

Lecture 232 Classificação de sentimentos com spaCy 9

Lecture 233 EXERCÍCIO

Lecture 234 Solução o exercício

Lecture 235 Classificação de textos com Orange

Lecture 236 Referências complementares

Section 25: Visão computacional

Lecture 237 Introdução

Lecture 238 Detecção de faces e objetos – teoria

Lecture 239 Detecção de faces – implementação

Lecture 240 EXERCÍCIO

Lecture 241 Solução o exercício

Lecture 242 Reconhecimento facial – teoria

Lecture 243 Reconhecimento facial – treinamento

Lecture 244 Reconhecimento facial – classificação

Lecture 245 Rastreamento de objetos – teoria

Lecture 246 Rastreamento de objetos – implementação

Lecture 247 Referências complementares

Section 26: Tratamento de dados desbalanceados

Lecture 248 Subamostragem e sobreamostragem – teoria

Lecture 249 Preparação da base de dados

Lecture 250 Subamostragem com Tomek links – implementação

Lecture 251 Sobreamostragem com SMOTE – implementação

Lecture 252 Referências complementares

Section 27: Seleção de atributos

Lecture 253 Preparação da base de dados

Lecture 254 Seleção com low variance

Lecture 255 Seleção com Extra Trees

Lecture 256 Referências complementares

Section 28: Redução de dimensionalidade

Lecture 257 PCA (Principal Component Analys), LDA (Linear Discriminant Analysis) e KernelPCA

Lecture 258 PCA – base census

Lecture 259 Kernel PCA – base census

Lecture 260 LDA – base census

Lecture 261 Referências complementares

Section 29: Detecção de outliers

Lecture 262 Outliers – introdução

Lecture 263 Detecção de outliers com boxplot

Lecture 264 Detecção de outliers com gráfico de dispersão

Lecture 265 Detecção de outliers com a biblioteca PyOD

Lecture 266 Referências complementares

Section 30: Séries temporais

Lecture 267 Exploração dos dados

Lecture 268 Decomposição da série temporal

Lecture 269 Previsões de valores futuros com ARIMA

Lecture 270 Gráfico das previsões

Lecture 271 Série temporal com Facebook Prophet 1

Lecture 272 Série temporal com Facebook Prophet 2

Lecture 273 Série temporal com Facebook Prophet 3

Section 31: —— ANEXO – Programação básica em Python ——

Lecture 274 Introdução ao Python

Lecture 275 Instalação do Python

Lecture 276 IDEs para Python

Lecture 277 Manipulação de variáveis e constantes

Lecture 278 Manipulação de strings

Lecture 279 Operações matemáticas

Lecture 280 EXERCÍCIOS

Lecture 281 Solução para os exercícios

Lecture 282 Operadores lógicos e relacionais

Lecture 283 Operadores condicionais

Lecture 284 EXERCÍCIOS

Lecture 285 Solução para os exercícios

Lecture 286 Estruturas de repetição – for

Lecture 287 Estruturas de repetição – while

Lecture 288 EXERCÍCIOS

Lecture 289 Solução para os exercícios

Lecture 290 Tuplas e listas

Lecture 291 Dicionários e conjuntos

Lecture 292 Matrizes

Lecture 293 EXERCÍCIOS

Lecture 294 Solução para os exercícios

Lecture 295 Funções

Lecture 296 EXERCÍCIOS

Lecture 297 Solução para os exercícios

Lecture 298 Módulos úteis – math e datetime

Lecture 299 Módulos úteis – random e time

Lecture 300 Criação de módulos personalizados

Lecture 301 EXERCÍCIO

Lecture 302 Solução para o exercício

Lecture 303 Tratamento de erros e exceções

Lecture 304 EXERCÍCIO

Lecture 305 Solução para o exercício

Lecture 306 Manipulação de arquivos de texto

Lecture 307 EXERCÍCIO

Lecture 308 Solução para o exercício

Lecture 309 Expressões regulares – teoria básica

Lecture 310 Expressões regulares – prática

Lecture 311 EXERCÍCIOS

Lecture 312 Solução para os exercícios

Lecture 313 Orientação a objetos – teoria básica

Lecture 314 Orientação a objetos – prática

Lecture 315 EXERCÍCIO

Lecture 316 Solução para o exercício

Section 32: Considerações finais

Lecture 317 Considerações finais

Lecture 318 AULA BÔNUS

Pessoas interessadas em iniciar seus estudos em aprendizagem de máquina e Ciência de Dados,Pessoas que queiram iniciar carreira na área de Data Science ou Machine Learning,Empreendedores que queiram aplicar aprendizagem de máquina em projetos comerciais,Analistas de dados que queiram aumentar seu conhecimento na área de aprendizagem de máquina,Empresários que desejam criar soluções eficientes para problemas reais em suas empresas,Alunos de graduação e pós-graduação que estão estudando disciplinas ligadas a área de Inteligência Artificial,Iniciantes na área de Inteligência Artificial

Course Information:

Udemy | Português | 41h 45m | 13.99 GB
Created by: Jones Granatyr

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

New Courses

Scroll to Top