Visão Geral

Curso Especialista em Machine Learning é para os candidatos que desejam aprender a codificação e fórmula de algoritmos e outros aspectos dos dados e análises.

Estes cursos de aprendizado de máquina e uma mistura de ciência de dados com R, introdução ao aprendizado de máquina, Random Forest, General Boosting & Bagging, Support Vector Machines, Neural Networks  and Text Mining with R.

Esta formação permite aos candidatos a sintaxe, variáveis ​​e tipos, criar funções e usar o fluxo de controle, trabalhar com dados em R. Além disso, eles seriam capazes de obter informações sobre regressão, agrupamento, classificação, incluindo a medição da importância da variável através da permutação e experiência prática na solução do algoritmo com o método complexidade de um classificador para obter precisão.

Objetivo

Após o Curso Especialista em Machine Learning, os candidatos seriam capazes de:

1. Desenvolver um entendimento das variáveis ​​categóricas e variáveis ​​contínuas, que ajuda no uso eficaz dos métodos de reforço e ensacamento, compreendendo o trabalho dos algoritmos NN.
   
2. Entenda as funções do kernel, como: spline kernels, função linear, base radial e polinomial e Text Mining with R são baseadas na inteligência das estatísticas e R.
3. Explore os fundamentos da linguagem R, incluindo sintaxe básica, variáveis ​​e tipos
4. Por que o Support Vector Machines   é chamado de algoritmo de melhor desempenho
5. Como as redes neurais são eficazes na segmentação de imagens
6. Como usar o cálculo de forma mais simples

Publico Alvo

• Os profissionais de TI que desejam seguir sua carreira como especialista em aprendizado de máquina.
  

Pre-Requisitos

• Os candidatos devem ter um breve conhecimentos básicos de programação, SQL e conceitos matemáticos e estatísticos.
  

Informações Gerais

• Carga horaria 24h
• Se noturno o curso e ministrado das 19h às 23h, total de 6 noites;
• Se aos sábados o curso e ministrado de 09h às 18h, total de 3 sábados;
• Se in-company o curso e ministrado de acordo com agenda do cliente;

Formato de Entrega:

• Presencial em sala de aula;
• On-line ao vivo em tempo real via vídeo conferencia 100% na presença de um instrutor com a mesma qualidade do curso presencial. Solicite um teste para validar a modalidade on-line na pratica;
• In-company

Instrutores:

• Ambos são capacitados atuando diariamente no mercado Deep Learning, Machine Learning, nos mais variados seguimentos de negócios;
• Amos também são profissionais docente em sala de aula, trazendo sua experiência de mercado para dentro da sala de aula;

Cursos in-company

• Os cursos in-company são ministrados em formato padrão;
• Ou cursos customizado com base no processo do cliente, tipo step by step facilitando o dia – dia dos colaboradores internos ou externo, até mesmo em suas clientes mesmo em suas clientes.
• Solicite um orçamento;

Materiais

Conteúdo Programatico

Data Science with R

1. Exploratory Data Analysis and Visualization
2. R for Data Science
3. Data Mining
4. Data Analysis for Evidence Based Decision Making
5. Industry Applications of Advanced Analytics Models
6. Big Data Analytics with Spark
7. Project Management in Analytics
8. Information to Insight
9. Career Management

Introduction to Machine Learning

1. An Introduction
2. The Regression Algorithms
3. The Classifiers: Bayesian and kNN
4. Tree Based Algorithms
5. SVM and Improving Performance

Random Forest

1. Single Decision Tree
2. Rise of Ensemble Method
3. Practical Exercises in R on Business Case Studies               

General Boosting & Bagging

1. Decision Tree Ensembles: Bagging and Boosting
2. The Case Study: Analysis of Credit Data
3. The Case Study: The Titanic Accident
4. The Case Study: Comparing Algorithms

Support Vector Machines

1. Introduction to the Support Vector Machines

Neural Networks

1. An Introduction
2. The Perceptron learning procedure
3. The backpropagation learning procedure
4. Learning feature vectors for words
5. Object recognition with neural nets
6. Optimization: How to make the learning go faster
7. Recurrent neural networks
8. More recurrent neural networks
9. Ways to make neural networks generalize better
10. Combining multiple neural networks to improve generalization
11. Hopfield nets and Boltzmann machines
12. Restricted Boltzmann machines (RBMs)
13. Stacking RBMs to make Deep Belief Nets
14. Deep neural nets with generative pre-training
15. Modeling hierarchical structure with neural nets
16. Recent applications of deep neural nets

Text Mining with R

1. An Introduction to the Text Mining
2. TM Packages in R
3. Regular Expressions
4. Sentiment Analysis
5. Topic Modelling
6. Network Analysis
7. Clustering