Curso Machine Learning Python & R In Data Science
32 HorasVisão Geral
O Curso Machine Learning Python & R In Data Science visa conhecer os candidatos no Pré-processamento de Dados, Clustering: K-Means, Clustering Hierárquico, Aprendizado por Reforço: Limite de Confiança Superior, Amostragem de Thompson, Redução de Dimensionalidade: PCA, LDA, Kernel PCA, Seleção e Otimização de Modelos: Validação Cruzada k-fold, Ajuste de Parâmetros, Pesquisa de Grade, XGBoost, Aprendizado por Reforço: Limite de Confiança Superior, Amostragem Thompson, Aprendizagem Profunda: Redes Neurais Artificiais, Redes Neurais Convolucionais, etc. isso ajuda os candidatos a construir sua carreira como um profissional de ciência de dados, que pode criar um forte valor agregado ao seu negócio, com certeza.
Objetivo
Depois de concluir o Curso Machine Learning Python & R In Data Science, os candidatos seriam capazes de:
- Entenda como fazer previsões precisas
- Aprenda a lidar com técnicas avançadas, como redução de dimensionalidade
- Desenvolver um entendimento sobre questões de tópicos específicos, como Aprendizagem por Reforço, PNL e Aprendizagem Profunda, e como lidar com isso
- Desenvolver a compreensão de muitos dos modelos de Machine Learning
- Desenvolva o entendimento de todos os elementos essenciais, como: pré-processamento de dados, regressão, classificação, clustering, aprendizado de regras de associação, aprendizado por reforço, processamento de linguagem natural, aprendizado profundo, redução de dimensionalidade e seleção e otimização de modelos.
Publico Alvo
- Indivíduos interessados em aprendizado de máquina e que tenham pelo menos conhecimentos do ensino médio em matemática
- Qualquer pessoa de nível intermediário que tenha conhecimento básico de aprendizado de máquina, que inclua algoritmos clássicos como regressão linear ou regressão logística, mas que queira aprender mais sobre ele e explorar todos os diferentes campos do aprendizado de máquina.
- Os indivíduos não são muito compatíveis com a codificação, mas estão interessados no Machine Learning e desejam aplicá-lo facilmente em conjuntos de dados.
- Os estudantes universitários que desejam iniciar uma carreira em Data Science
- Os analistas de dados que desejam subir de nível no Machine Learning
- Os indivíduos que planejam mudar de emprego para se tornar um cientista de dados
- Os indivíduos que desejam criar valor agregado para seus negócios usando poderosas ferramentas de Machine Learning
Pre-Requisitos
- Ter bons conhecimentos de matemática
Informações Gerais
- Carga horaria 32h
- Se noturno o curso e ministrado das 19h às 23h, total de 8 noites;
- Se aos sábados o curso e ministrado das 09h às 18h, total de 4 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 conferência 100% na presença de um instrutor com a mesma qualidade do curso presencial. Solicite um teste para validar a modalidade on-line na prática;
- In-company
Instrutores:
- Ambos são capacitados atuando diariamente no mercado Deep Learning, Machine Learning, nos mais variados seguimentos de negócios;
- Ambos 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
Português/InglêsConteúdo Programatico
Data Preprocessing
- Overview of Data Preprocessing
- Get the dataset
- Importing the Libraries
- Importing the Dataset
- Missing Data
- Categorical Data
- Splitting the Dataset into the Training set and Test set
- Feature Scaling
- How to Set Up Working Directory
Regression
- Simple Linear Regression
- How to get the dataset
- Dataset + Business Problem Description
- Simple Linear Regression Intuition
- Simple Linear Regression in Python
- Simple Linear Regression in R
Multiple Linear Regression
- How to get the dataset
- Dataset + Business Problem Description
- Multiple Linear Regression Intuition
- Multiple Linear Regression in Python
- Multiple Linear Regression in Python - Backward Elimination - Preparation
- Multiple Linear Regression in R
Polynomial Regression
- Polynomial Regression Intuition
- How to get the dataset
- Polynomial Regression in Python
- Python Regression Template
- Polynomial Regression in R
- R Regression Template
Support Vector Regression (SVR)
- How to get the dataset
- SVR in Python
- SVR in R
Decision Tree Regression
- Decision Tree Regression Intuition
- How to get the dataset
- Decision Tree Regression in Python
- Decision Tree Regression in R
Random Forest Regression
- Random Forest Regression Intuition
- How to get the dataset
- Random Forest Regression in Python
- Random Forest Regression in R
Evaluating Regression Models Performance
- R-Squared Intuition
- Adjusted R-Squared Intuition
- Interpreting Linear Regression Coefficients