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!

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

A área de Machine Learning (Aprendizagem de Máquina) e Data Science (Ciência de Dados) é atualmente um dos campos de trabalhomais relevantesda 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:

1. 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 classificadores

2. Regressão - regressão linear simples e múltipla, polinomial, árvores de decisão, random forest, vetores de suporte (SVR) e redes neurais artificiais

3. Regras de associação - algoritmos Apriori e ECLAT

4. Agrupamento - k-means, agrupamento hierárquico e DBSCAN

5. Tópicos 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 temporais

Veja abaixo alguns dos estudos de caso que serão implementados:

• Criação de gráficos dinâmicos para visualização de bases de dados

• Previsão se uma pessoa pagará um empréstimo baseado no histórico financeiro

• Previsão do salário de uma pessoa levando em consideração seus dados pessoais

• Previsão do preço do plano de saúde baseado na idade

• Previsão do preço de casas considerando

• Geração de regras de associação para compor prateleiras de mercado

• Agrupamento de clientes simulares considerando dados sobre o uso do cartão de crédito

• Simulação de um táxi utilizando aprendizagem por reforço

• Classificação de sentimentos em textos com processamento de linguagem natural

• Detecção de faces, reconhecimento facial e rastreamento de objetos

• Previsão de visitas a websites com séries temporais

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!