Visão Geral

No Curso Machine Learning With R, você começará organizando os dados e depois prevendo-os com a ajuda de vários exemplos. Explore o R Studio e as bibliotecas, como aplicar regressão linear, como pontuar conjuntos de testes e plotar resultados de testes em um plano cartesiano. Você também usará o pacote caret em R para simplificar algumas das etapas de classificação. Você também aprenderá o giro de hiperparâmetros, o aprendizado profundo e a colocação de modelos em produção por meio de exemplos sólidos do mundo real.

Objetivo

Ao participar do Curso Machine Learning With R, os participantes aprenderão a:

• Aproveite o poder do R para criar algoritmos comuns de aprendizado de máquina com aplicativos de ciência de dados do mundo real
• Familiarize-se com as técnicas R para limpar e preparar seus dados para análise e visualizar seus resultados
• Conheça os diferentes tipos de modelos de machine learning e saiba qual é o melhor para atender às suas necessidades de dados e resolver seus problemas de análise
• Classifique seus dados com métodos Bayesianos e do vizinho mais próximo
• Preveja valores usando R para construir árvores de decisão, regras e máquinas de vetores de suporte
• Preveja valores numéricos com regressão linear e modele seus dados com redes neurais
• Entenda por que e como criar conjuntos de dados de teste e treinamento para análise
• Conheça o ajuste de hiperparâmetros explorando e iterando através de parâmetros
• Classifique seus dados com métodos Bayesianos e do vizinho mais próximo
• Preveja valores usando R para construir árvores de decisão, regras e máquinas de vetores de suporte
• Preveja valores numéricos com regressão linear e modele seus dados com redes neurais
• Técnicas especializadas de aprendizado de máquina para mineração de texto, dados de redes sociais, big data e muito mais

Publico Alvo

Este Curso Machine Learning With R é para desenvolvedores que desejam aprender sobre as técnicas de ML e implementá-las em R.

Materiais

Conteúdo Programatico

Getting Started in R

1. What is R
2. Install R and RStudio IDE
3. Explore RStudio Interface
4. R Script
5. Comment

Data Types

1. Numbers
2. String
3. Vector
4. Matrix
5. Array
6. Data Frame
7. List
8. Factor

R Packages & Datasets

1. Import R Packages
2. Import R Data Sets
3. Import External Data
4. Export Data

Data Visualization

1. Scatter Plot
2. Boxplot
3. Bar chart
4. Pie chart
5. Histogram

R Programming

1. Control Structures
2. Loop
3. Break & Next
4. Function

Statistics Analysis with R

1. Descriptive Statistics
2. Correlation
3. Linear and Multiple Regression
4. Hypothesis Testing
5. Analysis of Variance (ANOVA)

Introduction to Machine Learning

1. What is Machine Learning
2. Types of Machine Learning
3. Supervised vs Unsupervised Learning
4. Python vs R for Machine Learning
5. Install R Machine Learning Package

Data Preprocessing

1. Sample Data
2. Impute Missing Data
3. Normalize Data
4. Split Data

Regression Methods

1. What is Linear Regression
2. Regularization - Bias vs Variance Tradeoff
3. Lasso Regression
4. Ridge Regression

Classification Methods

1. What is Classification
2. Logistic Regression
3. Gaussian Naive Bayes (GNB)
4. K Nearest Neighbor (KNN)
5. Support Vector Machine (SVM)
6. Decision Tree
7. Confusion Matrix
8. ROC and AUC Analysis

Clustering Methods

1. Distance Measure
2. K Means Clustering
3. Hierarchical Clustering
4. Silhouette Analysis

Ensemble Methods

1. Types of Ensemble Methods
2. Random Forest Ensemble
3. Gradient Boost and XGBoost Ensemble
4. Stacking Ensemble

Hyperparameter Tuning

1. Exhaustive Grid Search
2. Random Search

Neural Network

1. What is Neural Network
2. Activation Functions
3. Deep Learning vs Machine Learning
4. Classification Using Neural Network