Visão 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

Conteúdo Programatico

Data Preprocessing

1. Overview of Data Preprocessing
2. Get the dataset
3. Importing the Libraries
4. Importing the Dataset
5. Missing Data
6. Categorical Data
7. Splitting the Dataset into the Training set and Test set
8. Feature Scaling
9. How to Set Up Working Directory

Regression

1. Simple Linear Regression
2. How to get the dataset
3. Dataset + Business Problem Description
4. Simple Linear Regression Intuition
5. Simple Linear Regression in Python
6. Simple Linear Regression in R

Multiple Linear Regression

1. How to get the dataset
2. Dataset + Business Problem Description
3. Multiple Linear Regression Intuition
4. Multiple Linear Regression in Python
5. Multiple Linear Regression in Python - Backward Elimination - Preparation
6. Multiple Linear Regression in R

Polynomial Regression

1. Polynomial Regression Intuition
2. How to get the dataset
3. Polynomial Regression in Python
4. Python Regression Template
5. Polynomial Regression in R
6. R Regression Template

Support Vector Regression (SVR)

1. How to get the dataset
2. SVR in Python
3. SVR in R

Decision Tree Regression

1. Decision Tree Regression Intuition
2. How to get the dataset
3. Decision Tree Regression in Python
4. Decision Tree Regression in R

Random Forest Regression

1. Random Forest Regression Intuition
2. How to get the dataset
3. Random Forest Regression in Python
4. Random Forest Regression in R

Evaluating Regression Models Performance

1. R-Squared Intuition
2. Adjusted R-Squared Intuition
3. Interpreting Linear Regression Coefficients