Machine Learning in R Curso Completo de Regressao Linear

Domine o Modelo Preditivo mais usado nas empresas e pesquisas
Machine Learning in R Curso Completo de Regressao Linear
File Size :
6.49 GB
Total length :
8h 20m

Category

Instructor

Isaías Lira

Language

Last update

Última atualização em 3/2021

Ratings

4.6/5

Machine Learning in R Curso Completo de Regressao Linear

What you’ll learn

Entender de uma vez por todas o que é Regressão Linear
Entender de uma vez por todas para que serve Regressão Linear
Como preparar os dados antes de aplicar a Regressão Linear
Interpretar os resultados de uma Regressão Linear
Realizar o estudo da acurácia do modelo gerado
Estudar os resíduos do modelo
Aprender a modelar situações reais

Machine Learning in R Curso Completo de Regressao Linear

Requirements

Seria bom fazer antes os meus cursos: Linguagem R do zero e Introdução à Estatística

Description

Por que fazer este curso nos próximos 30 dias?Aprender sobre Algoritmos de Machine Learning tem sido essencial para quem deseja ter seu espaço nas grandes empresas, pois são eles fazem com que computadores tomem decisões baseadas em algoritmos, encontrando informações interessantes em meio a uma grande quantidade de dados.Hoje, cada vez mais ocorre um aumento na quantidade de dados e conforme são os algoritmos são alimentados com mais dados, aprendem a reconhecer padrões e fornecer insights relevantes para as organizações. Mas como o programa reconhece esses padrões?Para tentarem descobrir padrões ou prever resultados, as ferramentas de aprendizagem de máquina tentam descobrir equações (modelos matemáticos) que ajudem a extrair algum significado de um conjunto de dados. É por isso que o termo “modelagem” é tão recorrente em textos e discussões sobre machine learning.Portando, este curso visa APROFUNDAR o estudo do zero ao avançado nos modelos de Regressão Linear, considerado o mais usado na busca por padrões.Que tipo de resultado eu tenho com esta técnica?Saber quais variáveis interferem no comportamento de uma variável específica. ex: O que interfere na quantidade de novos clientes? Investimento com publicidade? Diversidade de produtos?Previsão de variável numérica com base em outras. Ex: prever o faturamento com base no investimento com publicidade, horas extras, quantidade de funcionários, e etc.Construir uma equação matemática que descreva o mundo real. Ex. com base em informações de um produto, pode-se calcular o valor mais provável de unidades a serem vendidas (demanda).Não é por acaso que este tema será tratado com cada vez mais frequência nas empresas que desejam crescer ainda mais, e por que você vai ficar de fora?Para quem serve este curso? Profissionais de TI e de áreas associadas, interessados em se aprofundar em Estatística e aplicá-la no mundo empresarial. Estudantes de graduação, mestrado e doutorado precisando aprender estatística para provas universitárias ou para pesquisas científicas.”Concurseiros” interessados em “matar” a prova de Estatística.Sobre o ProfessorMeu nome é Isaías Lira, bacharel em Estatística, Consultor em Análise Estatística de Dados, pesquisador e estudioso da área de Estatística Aplicada no Mercado Financeiro, escritor de livro em Estatística, Data Scientist, Pos-graduado em Docência Superior e este curso é um importante dentro de minha lista de cursos.Qual o diferencial deste curso?Curso 100% praticoUsaremos dados reais Tudo mostrado passo a passoAprofundamento na ferramenta de análise de dados mais respeitada no mercado: o R.Estrutura: o curso esta cuidadosamente estruturado para que em cada aula você tenha a clareza de cada assunto abordadoAbordagem simplificada: focamos naquilo que é mais importante, numa linguagem simples, direta, com vários exemplo reais.Inicie agora e conclua quando bem desejar! Sem pressão! Respeitaremos o seu próprio ritmo e estaremos aqui para tirar suas dúvidas.O mercado profissional precisa de você, então aprenda isto e seja útil para as grandes empresas.Então, se você quer aprender sobre Regressão Linear, seja você quem for, este é o caminho mais fácil que conheço!Vamos iniciar?

Overview

Section 1: Introdução

Lecture 1 Seja muito bem vindo(a)!

Lecture 2 Começando a conversa

Lecture 3 Introdução

Lecture 4 Algoritmos de Previsão

Lecture 5 Regressão Linear

Lecture 6 Regressão Linear – O que é e para que serve?

Lecture 7 Tipos de Regressão Linear

Section 2: Preparando os Dados

Lecture 8 Preparação dos Dados para a Regressão Linear – parte 1

Lecture 9 Preparação dos Dados para a Regressão Linear – parte 2

Lecture 10 Preparação dos Dados para a Regressão Linear – parte 3

Lecture 11 Preparação dos Dados para a Regressão Linear – parte 4

Lecture 12 Ponto Decisivo

Section 3: Estudando as Correlações

Lecture 13 COMUNICADO

Lecture 14 Estudando as Correlações

Lecture 15 Alternativas para Correlações – parte 1

Lecture 16 Alternativas para Correlações – parte 2

Lecture 17 Alternativas para Correlações – parte 3

Lecture 18 Alternativas para Correlações – parte 4

Lecture 19 Alternativas para Correlações – parte 5

Lecture 20 Alternativas para Correlações – parte 6

Section 4: Gerando o Modelo de Regressão

Lecture 21 O Método dos Mínimos Quadrados

Lecture 22 Obtendo o modelo inicial

Lecture 23 Análise de Variância do Modelo

Lecture 24 Testes Individuais para os Parâmetros

Lecture 25 Interpretação dos Coeficientes

Lecture 26 Observação: Quando uma das variáveis independentes é uma variável dummy

Lecture 27 Grau de Importância das Variáveis

Lecture 28 Intervalos de Confiança

Lecture 29 Verificando a Bondade de Ajuste do Modelo

Lecture 30 Comparando modelos

Section 5: Estudando os Outliers, Pontos influentes e pontos de alavanca

Lecture 31 Outliers – parte 1

Lecture 32 Outliers – parte 2

Lecture 33 Outliers – parte 3

Lecture 34 Pontos Influentes – Intro

Lecture 35 Distância de Cook

Lecture 36 DFBETA (parte 1)

Lecture 37 DBBETA (parte 2)

Lecture 38 DFBETA (parte 3)

Lecture 39 DFBETA (parte 4)

Lecture 40 DFFIT – parte 1

Lecture 41 DFFIT – parte 2

Lecture 42 Alavancagem

Lecture 43 CVR

Lecture 44 Casos Influentes – Resumo

Lecture 45 Natureza das variáveis

Lecture 46 Pacote necessário

Lecture 47 Suposição de Multicolinearidade

Lecture 48 Minha opinião pessoal

Section 6: Verificando as Suposições teóricas do Modelo de Regressão Linear

Lecture 49 Homocedasticidade

Lecture 50 Resíduos Normais

Lecture 51 Observação Importante (Test Durbin Watson)

Lecture 52 Suposição de Resíduos Aleatórios

Lecture 53 Suposição de Independência

Lecture 54 Suposição de Linearidade

Lecture 55 Se as suposições são violadas

Lecture 56 Usando o modelo

Section 7: Projeto

Lecture 57 Explicando o Projeto

Lecture 58 Observação sobre o Projeto

Lecture 59 Solução para o Projeto

Section 8: Aula Bônus

Lecture 60 Aula Bônus

Lecture 61 Trilha de Aprendizado para a carreira em Data Science

Leigos interessados em explicar eventos do mundo real a partir de fórmulas matemáticas simples,Estudantes, Profissionais de TI ou qualquer pessoa interessada em Aprender e Aplicar Regressão Linear na prática

Course Information:

Udemy | Português | 8h 20m | 6.49 GB
Created by: Isaías Lira

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

New Courses

Scroll to Top