0. Projetos de Preparação para Machine Learning

Este curso é uma coletânea de conteúdos sobre Machine Learning Supervisionado e Não Supervisionado.

IMPORTANTE: Este curso reutiliza materiais de dois cursos anteriores já disponíveis no meu perfil da Udemy. Caso você já tenha feito esses cursos, saiba que este curso é uma versão combinada e reorganizada, criada para oferecer uma experiência unificada, sem a necessidade de alternar entre cursos distintos.

5. Projetos Práticos e Aplicações Reais

Projeto 1: Teste A/B em Tráfego Web

Neste projeto, você trabalhará com dados reais de tráfego web para avaliar o impacto de duas versões de uma página nas taxas de conversão. Você aprenderá a:

• Limpar e explorar dados com Pandas.

• Aplicar testes estatísticos como o teste t e teste de hipótese para comparar conversões.

• Visualizar os resultados e tomar decisões baseadas em dados.

• Criar relatórios com insights acionáveis para otimizar o desempenho do site.

Projeto 2: Exploração de Dados Bancários para Machine Learning

Neste caso prático, você analisará um conjunto de dados financeiros com informações de clientes de um banco para detectar padrões e preparar os dados para modelos de Machine Learning. Foco em:

• Limpeza e transformação com Pandas e NumPy.

• Exploração visual com Seaborn para identificar correlações.

• Estatística descritiva para compreender o comportamento dos clientes.

• Preparação do dataset para modelagem preditiva.

Projeto 3: Análise de Dados de Seguros

Você trabalhará com dados de uma seguradora para identificar os fatores que afetam os custos das apólices e o risco dos clientes. Você aprenderá a:

• Limpar e transformar dados de clientes e sinistros.

• Aplicar EDA para encontrar tendências e anomalias.

• Utilizar estatísticas e visualização para orientar decisões.

• Preparar os dados para modelos de previsão de risco.

Projeto 4: Análise de Dados de Malware

Neste projeto, você analisará dados sobre softwares maliciosos para identificar padrões de ataques cibernéticos e prevenir vulnerabilidades. Foco em:

• Limpeza e estruturação dos dados.

• Exploração visual para identificar características relevantes.

• Aplicação de técnicas de pré-processamento para melhorar a qualidade dos dados.