Machine Learning e Data Science com Weka e Java Completo

Machine Learning e Data Science com Weka e Java Completo

What you’ll learn

Tenha uma base teórica sólida sobre os principais algoritmos de Machine Learning
Aprenda sobre as principais funcionalidades do Weka
Aprenda na teoria e na prática sobre os algoritmos de Machine Learning para classificação, regressão, regras de associação e agrupamento
Entenda como funcionam as técnicas para redução de dimensionalidade PCA, KernelPCA e LDA
Aprenda a avaliar os algoritmos de Machine Learning usando estatística não paramétrica
Veja como encontrar padrões escondidos em dados utilizando técnicas de associação e agrupamento

Requirements

Conhecimento sobre lógica de programação são desejáveis, embora seja possível acompanhar o curso sem esse conhecimento
Conhecimentos básicos em Java são desejáveis, embora seja possível acompanhar o curso sem saber essa linguagem com profundidade
Conhecimentos sobre instalação de softwares básicos

Description

A área de Machine Learning (Aprendizagem de Máquina) 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 a ferramenta Weka, que é uma das ferramentas mais utilizadas para machine learning e mineração de dados. Além disso, também utilizaremos a linguagem de programação Java para fazer a integração com o Weka! Este curso apresenta  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 algoritmos! O curso é dividido em cinco partes:Classificação – extração de características de imagens, naive 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 e redes neurais artificiaisRegras de associação – algoritmo aprioriAgrupamento – k-means e agrupamento hierárquicoRedução de dimensionalidade com PCA e LDADurante o curso desenvolveremos um projeto prático de reconhecimento automático de personagens dos desenhos animados. Nosso objetivo principal será construir passo a passo um sistema inteligente para reconhecer automaticamente as imagens do Homer e do Bart dos Simpsons! O sistema aprenderá com as imagens e depois nós forneceremos uma nova imagem como entrada e o software conseguirá identificar automaticamente de quem é a imagem! É um projeto muito interessante que você conseguirá compreender todos os conceitos que envolvem a área de aprendizagem de máquina.Este 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!Preparado(a) para dar um importante passo na sua carreira? Aguardo você no curso! 🙂

Overview

Section 1: Introdução

Lecture 1 Conteúdo do curso

Lecture 2 Mais sobre Inteligência Artificial

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 de aprendizagem de máquina

Lecture 9 Classificação

Lecture 10 Referências complementares

Section 2: —– Parte 1 – Classificação —–

Lecture 11 Introdução a Parte 1 – Classificação

Section 3: Extração de características de imagens

Lecture 12 Extração de características I

Lecture 13 Extração de características II

Lecture 14 Extração de características III

Lecture 15 Reconhecimento dos personagens

Lecture 16 Seleção de características dos personagens

Lecture 17 Atualização: instalação do Java

Lecture 18 Download das ferramentas

Lecture 19 Entendendo a extração das cores

Lecture 20 ATUALIZAÇÃO no projeto dos personagens!

Lecture 21 Instalação do projeto dos personagens

Lecture 22 ATUALIZAÇÃO na instalação do projeto dos personagens!

Lecture 23 Código fonte do extrator de características I

Lecture 24 Código fonte do extrator de características II

Lecture 25 Código fonte do extrator de características III

Lecture 26 Arquivo ARFF dos personagens

Lecture 27 Carregando a imagem

Lecture 28 Extração das características da imagem selecionada

Lecture 29 Testando a extração das características

Lecture 30 Base de dados para análise

Lecture 31 Referências complementares

Section 4: Introdução ao Weka

Lecture 32 Introdução ao módulo

Lecture 33 Instalação do Weka

Lecture 34 Introdução ao Weka

Lecture 35 Entendendo os valores da janela inicial do Weka

Lecture 36 Arquivos ARFF

Lecture 37 Referências complementares

Section 5: Aprendizagem bayesiana

Lecture 38 Introdução ao módulo

Lecture 39 Naive bayes – introdução

Lecture 40 Naive bayes – aprendizagem

Lecture 41 Naive bayes – classificação

Lecture 42 Naive bayes – correção laplaciana

Lecture 43 Naive bayes – mais conceitos

Lecture 44 Naive bayes no weka

Lecture 45 Carregando o ARFF dos personagens no Java

Lecture 46 Classificando os personagens com o naive bayes

Lecture 47 Referências complementares

Section 6: Aprendizagem por árvores de decisão

Lecture 48 Introdução ao módulo

Lecture 49 Árvores de decisão – introdução

Lecture 50 Árvores de decisão – aprendizagem I

Lecture 51 Árvores de decisão – aprendizagem II

Lecture 52 Árvores de decisão – mais conceitos

Lecture 53 Árvores de decisão no Weka

Lecture 54 Poda em árvores de decisão

Lecture 55 Classificando os personagens com o J48

Lecture 56 Random forest (floresta randômica)

Lecture 57 Random forest no Weka

Lecture 58 Referências complementares

Section 7: Aprendizagem por regras

Lecture 59 Introdução ao módulo

Lecture 60 Indução de regras – introdução

Lecture 61 Algoritmo ZeroR

Lecture 62 Indução de regras – algoritmo OneR I

Lecture 63 Indução de regras – algoritmo OneR II

Lecture 64 Indução de regras – algoritmo PRISM

Lecture 65 Regras no Weka

Lecture 66 Classificando os personagens com regras

Lecture 67 Referências complementares

Section 8: Aprendizagem baseada em instâncias

Lecture 68 Introdução ao módulo

Lecture 69 kNN – introdução

Lecture 70 kNN – cálculo da distância

Lecture 71 kNN – classificação

Lecture 72 kNN – classificação dos personagens

Lecture 73 kNN – normalização e padronização

Lecture 74 Aprendizagem baseada em instâncias no Weka

Lecture 75 kNN – normalização e padronização no Weka

Lecture 76 Classificando os personagens com o IBk

Lecture 77 Referências complementares

Section 9: Regressão logística

Lecture 78 Introdução ao módulo

Lecture 79 Regressão logística – introdução

Lecture 80 Regressão logística – aprendizagem

Lecture 81 Regressão logística – classificação

Lecture 82 Regressão logística no Weka

Lecture 83 Referências complementares

Section 10: Máquinas de vetores de suporte (SVM)

Lecture 84 Introdução ao módulo

Lecture 85 SVM – introdução

Lecture 86 SVM – aprendizagem

Lecture 87 SVM – linear x não linear

Lecture 88 Instalação da LibSVM

Lecture 89 SVM no Weka

Lecture 90 Classificando os personagens com a LibSVM

Lecture 91 Referências complementares

Section 11: Aprendizagem de redes neurais artificiais

Lecture 92 Introdução ao módulo

Lecture 93 Introdução a redes neurais

Lecture 94 Fundamentos biológicos

Lecture 95 Neurônio artificial

Lecture 96 Perceptron de uma camada

Lecture 97 Tipos de aprendizagem de máquina

Lecture 98 Ajuste dos pesos I

Lecture 99 Ajuste dos pesos II

Lecture 100 Introdução a redes neurais multicamada

Lecture 101 Funções de ativação

Lecture 102 Redes multicamada – ativação camada oculta I

Lecture 103 Redes multicamada – ativação camada oculta II

Lecture 104 Redes multicamada – ativação camada saída

Lecture 105 Redes multicamada – cálculo do erro

Lecture 106 Redes multicamada – pesos e erros

Lecture 107 Redes multicamada – descida do gradiente

Lecture 108 Redes multicamada – delta camada saída

Lecture 109 Redes multicamada – delta camada oculta

Lecture 110 Redes multicamada – backpropagation, taxa de aprendizagem e momento

Lecture 111 Redes multicamada – ajuste dos pesos com backpropagation I

Lecture 112 Redes multicamada – ajuste dos pesos com backpropagation II

Lecture 113 Redes multicamada – bias e erro

Lecture 114 Redes multicamada – saídas com mais neurônios e Deep learning

Lecture 115 Redes multicamada – camadas ocultas

Lecture 116 Redes multicamada – camada saída categórica

Lecture 117 Redes multicamada – descida do gradiente estocástico

Lecture 118 Redes neurais no Weka I

Lecture 119 Redes neurais no Weka II

Lecture 120 Redes neurais no Weka III

Lecture 121 Classificando os personagens com redes neurais

Lecture 122 Referências complementares

Section 12: Avaliação de algoritmos de classificação

Lecture 123 Introdução ao módulo

Lecture 124 Treinamento e teste

Lecture 125 Matriz de confusão

Lecture 126 Verdadeiro positivo e falso positivo

Lecture 127 Validação cruzada

Lecture 128 Resumo sobre a avaliação de algoritmos de classificação

Lecture 129 Tipos de testes no Weka

Lecture 130 Percentage split x cross validation

Lecture 131 Planilha de testes

Lecture 132 Testes no Java

Lecture 133 Rankings no Excel

Lecture 134 Geração do arquivo CSV para leitura no R

Lecture 135 Teste de Friedman e Nemenyi no R

Lecture 136 Interpretação do teste de Fridman e Nemenyi

Lecture 137 Underfitting e overfitting

Lecture 138 Visualização dos registros classificados errados no Weka

Lecture 139 Salvando um classificador já treinado no Weka

Lecture 140 Salvando um classificador já treinado no Java

Lecture 141 Referências complementares

Section 13: Combinação e rejeição de classificadores

Lecture 142 Introdução ao módulo

Lecture 143 Combinação de classificadores

Lecture 144 Implementação da combinação de classificadores I

Lecture 145 Implementação da combinação de classificadores II

Lecture 146 Implementação da combinação de classificadores III

Lecture 147 Rejeição de classificadores

Lecture 148 Implementação da rejeição de classificadores

Lecture 149 Referências complementares

Section 14: —– Parte 2 – Regressão —–

Lecture 150 Introdução a Parte 2 – Regressão

Section 15: Regressão linear

Lecture 151 Regressão linear – teoria

Lecture 152 Regressão linear simples no Weka

Lecture 153 Regressão linear múltipla no Weka

Lecture 154 Referências complementares

Section 16: Outros tipos de regressão

Lecture 155 Regressão polinomial – teoria

Lecture 156 Regressão polinomial x linear – Weka

Lecture 157 Regressão com árvores de decisão – teoria

Lecture 158 Regressão com random forest – teoria

Lecture 159 Regressão com vetores de suporte – teoria

Lecture 160 Outros tipos de regressão no Weka

Lecture 161 Avaliação de algoritmos de regressão

Lecture 162 Referências complementares

Section 17: —– Parte 3 – Regras de Associação —–

Lecture 163 Introdução a Parte 3 – Regras de Associação

Section 18: Algoritmo apriori

Lecture 164 Introdução a regras de associação

Lecture 165 Apriori – introdução

Lecture 166 Apriori – suporte I

Lecture 167 Apriori – suporte II

Lecture 168 Apriori – confiança I

Lecture 169 Apriori – confiança II

Lecture 170 Apriori – lift

Lecture 171 Regras de associação base mercado I

Lecture 172 Regras de associação base mercado II

Lecture 173 Regras de associação base mercado III

Lecture 174 Regras de associação base mercado IV

Lecture 175 Regras de associação base mercado V

Lecture 176 Regras de associação base mercado VI

Lecture 177 Referências complementares

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

Lecture 178 Introdução a Parte 4 – Agrupamento (clustering)

Section 20: Agrupamento com k-means

Lecture 179 K-means – introdução

Lecture 180 K-means – cálculo de distância

Lecture 181 K-means – inicialização

Lecture 182 K-means no Weka I

Lecture 183 K-means no Weka II

Lecture 184 Referências complementares

Section 21: Agrupamento hierárquico

Lecture 185 Agrupamento hierárquico – teoria

Lecture 186 Agrupamento hierárquico no Weka

Lecture 187 Referências complementares

Section 22: —– Parte 5 – Redução de dimensionalidade —–

Lecture 188 Introdução a Parte 5 – Redução de dimensionalidade

Lecture 189 PCA (Principal Component Analys), LDA (Linear Discriminant Analysis) e KernelPCA

Lecture 190 PCA no Weka

Lecture 191 LDA no Weka

Lecture 192 Referências complementares

Section 23: Considerações finais

Lecture 193 Código fonte completo

Lecture 194 Considerações finais

Lecture 195 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 que estão estudando disciplinas ligadas a área de Inteligência Artificial

Course Information:

Udemy | Português | 27h 59m | 11.50 GB
Created by: Jones Granatyr

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