Curso machine learning e data science com Python

Curso Machine Learning e Data Science com Python

Curso Machine Learning e Data Science com Python, você aprenderá Machine Learning com a linguagem de Programação Python. Não é preciso ter conhecimento em Python, pois o curso possui uma seção para quem é iniciante na linguagem.

Idioma: Português (Brasil)

Plataforma: Udemy

 

O que aprenderei?

  • Ter uma base sobre machine learning bem como sobre análise de dados
  • Utilizar bibliotecas tais como NumPy, Pandas, scikit-learn e Matplotlib
  • Utilizar Python para fazer análise de dados
  • Utilizar Python para implementar e resolver problemas utilizando Machine Learning
  • Trabalhar com dataframes

 

Requisitos

  • Não é necessário conhecimento prévio, embora seja recomendado uma noção de lógica de programação e conceitos matemáticos básicos

 

Descrição

Machine Learning (aprendizado de máquina) é uma área que representa uma evolução nos campos de Ciência da Computação, Análise de Dados, Engenharia de Software e Inteligência Artificial.

O curso trata das principais bibliotecas para análise de dados e utilização de técnicas de aprendizado de máquina tais como NumPy, Pandas, scikit-learn e Matplotlib. Também serão explicadas técnicas de aprendizado de máquina para facilitar o entendimento e utilização das mesmas nos exemplos práticos.

Os instrutores Marcos Castro e Gileno Filho irão estar disponíveis para tirar quaisquer dúvidas através do fórum do curso.

O que está esperando? Machine Learning é utilizado por empresas ao redor do mundo para facilitar a análise de dados. Vivemos a era do Big Data, o volume de dados produzidos é gigantesco e precisamos de técnicas para automatizar e nos ajudar a encontrar algum padrão nesses dados de forma que possamos resolver os problemas.

 

Quem é o público-alvo?

  • Todos que quiserem aprender mais sobre machine learning (aprendizado de máquina)
  • Todos que quiserem aprender mais sobre análise de dados
  • Todos que quiserem aprender mais sobre técnicas de aprendizado
  • Todos que quiserem aprender mais sobre bibliotecas tais como Pandas, NumPy, scikit-learn e Matplotlib
  • Todos que querem aprender sobre Data Science

 

Grade Curricular:

Introdução a programação com Python

  • Linguagem Python
  • Instalação no Windows
  • Instalação no Windows (com virtualenv)
  • Instalação no Linux
  • Instalação no Linux (com virtualenv)
  • Instalação no Mac (com virtualenv)
  • Utilizando o IDLE
  • Conhecendo o Jupyter Notebook
  • Variáveis
  • Operadores
  • Variáveis string
  • Entrada de dados
  • Condições
  • Repetições
  • Listas
  • Estrutura de repetição for
  • Tuplas
  • Conjuntos
  • Dicionários
  • Criando funções
  • Criando módulos
  • Arquivos
  • Orientação a objetos
  • Programação Funcional

Um pouco mais de Orientação a Objetos

  • Jogo do Robô 1
  • Jogo do Robô 2
  • Jogo do Robô 3
  • Jogo do Robô 4
  • Jogo do Robô 5
  • Jogo do Robô 6

Introdução a Machine Learning

  • Introdução a Inteligência Computacional
  • Machine Learning – Motivação
  • Conjunto de Dados
  • Dados
  • Tipos de atributos
  • Escala de atributos
  • Tipos de aprendizado
  • Aprendizado Supervisionado
  • Aprendizado Não-Supervisionado
  • Técnicas de aprendizado
  • Obtendo datasets

NumPy

  • Conhecendo NumPy
  • NumPy array versus Python list
  • Eficiência Numpy
  • Slicing Arrays
  • Matrizes com listas
  • Criando matrizes com NumPy
  • Operações com matrizes
  • Visualizando os dados com Matplotlib
  • Visualizando dados novamente
  • Inserindo elementos no array
  • Anexar valores ao final de um array
  • Deletando elementos do array
  • Repetindo elementos de um array
  • Repetindo um array com tile
  • Dividindo um array
  • Criando arrays de zeros e uns
  • Criando uma matriz identidade
  • Indexação booleana
  • Carregando dados do arquivo com NumPy
  • Juntando uma sequência de arrays
  • Embaralhando uma sequência
  • Números complexos com NumPy
  • Gerando arrays com linspace
  • Encontrando elementos únicos de um array
  • Lendo arquivos CSV com NumPy
  • Analisando o Iris DataSet com NumPy

Pandas

  • Pandas Series
  • Pandas DataFrame
  • Pandas Index
  • Carregando Dataset’s com pydataset
  • Carregando Dataset’s com db.py
  • Carregando Dataset’s em CSV / Excel
  • Realizando Filtro / Seleção em um DataFrame
  • Trabalhando com Dados Categóricos
  • Resolvendo o problemas de dados perdidos
  • Operações de aggregate e grouping no DataFrame
  • Operações de merge (join) no DataFrame
  • Trabalhando com Séries Temporais
  • Criando pivot tables
  • Visualização 01 – Matplotlib
  • Visualização 02 – Seaborn
  • Visualização 03 – Visualização da Informação
  • Visualização 04 – Histograma e Gráfico de Pizza
  • Visualização 05 – Gráfico de Dispersão
  • Visualização 06 – Visualizando em Mapas
  • Visualização 07 – Customizando Eixos e Labels de um Gráfico
  • Visualização 08 – Gráficos de Séries Temporais

Regressão Linear

  • O que é regressão (estatística)?
  • Como funciona a regressão linear simples
  • Entendendo o Método dos Mínimos Quadrados (OLS)

kNN – Classificação

  • Conhecendo o kNN
  • Funcionamento do kNN
  • Calculando a distância euclidiana
  • Distância Euclidiana e Manhattan
  • Determinando a classe do novo exemplo
  • Vantagens e desvantagens
  • Escolha do parâmetro K
  • Escolha do dataset
  • Implementação do kNN – Parte 1
  • Implementação do kNN – Parte 2
  • Implementação do kNN – Parte 3
  • Implementação do kNN – Parte 4
  • Implementação do kNN com sklearn
  • Implementação do kNN com Numpy e sklearn
  • Utilizando o model_selection
  • Utilizando o score
  • kNN com pandas e sklearn
  • kNN com sklearn – Dataset Iris

kNN – Regressão

  • Conhecendo o kNN para Regressão
  • Implementando o kNN Regressão
  • kNN Regressão com sklearn
  • Erro quadrático médio
  • kNN Regressão – Dataset Diabetes

Redes Neurais Artificiais

  • O que são redes neurais artificiais?
  • Neurônio artificial
  • Funções de ativação
  • Conhecendo a Rede Perceptron
  • Processo de treinamento da Perceptron
  • Algoritmo de treinamento da Perceptron
  • Fase de operação da Perceptron
  • Implementação da Perceptron – Parte 1
  • Implementação da Perceptron – Parte 2
  • Implementação da Perceptron – Parte 3
  • Redes Neurais com PyBrain – Instalação
  • Redes Neurais com PyBrain – Implementação
  • Redes Neurais com PyBrain – Discutindo os parâmetros
  • Redes Neurais com PyBrain – Iris Dataset
  • Adicionando camadas escondidas com PyBrain
  • PyBrain – Iris DataSet novamente – Parte 1
  • PyBrain – Iris DataSet novamente – Parte 2
  • PyBrain – Iris DataSet novamente – Parte 3
  • Redes Neurais com sklearn – Parte 1
  • Redes Neurais com sklearn – Parte 2
  • Redes Neurais com sklearn – Parte 3

K-Means

  • K-Means – Introdução
  • K-Means – Algoritmo

Considerações Finais

 

Sobre os Instrutores:

Marcos Castro

Marcos Castro UdemyOlá, meu nome é Marcos Castro e eu amo compartilhar conhecimento!

A minha formação é em Ciência da Computação. Além da computação, me interesso por educação a distância, empreendedorismo, marketing digital, inteligência artificial, ciência de dados e muito mais.

Elaborei mais de 30 cursos, tenho mais de 15 mil alunos espalhados por mais de 80 países. Acredito que a educação pode transformar as pessoas contribuindo para um mundo melhor!

 

Gileno Alves Santa Cruz Filho

Gileno Alves Santa Cruz Filho - Udemy

Co-­fundador e instrutor da empresa PyCursos. Sou analista na empresa Dantas Engenharia de Avaliações onde desenvolvo tanto a plataforma web de ensino para cursos de Inferência Estatística aplicada a Avaliação Imobiliária quanto o software científico chamado SAB (Sistema de Avaliação de Bens), voltado para a análise de dados imobiliários utilizando técnicas clássicas de estatísticas e inteligência artificial.

Trabalho com Python desde 2008, participando ativamente de comunidades de software livre e ensinando Python em diversos cursos, workshops e palestras.

Tenho interesse em: Desenvolvimento de Software, Python, Análise de Dados, Inteligência Artificial, Engenharia de Avaliações, Design e Minimalismo.

Compartilhe
  •  
  •  
  •  
  •  
  •  
  •  
  •  
  •  

Deixe um comentário