
Criação de algoritmo de IA para prever e classificar a qualidade do vinho
Importação de libraries Python e upload do data frame do projeto
Geração de gráficos analíticos Python para estudo de regra de negócios
Tratamentos e modelagem dos dados para construção de modelo preditivo
Treinamento e testes do modelo preditivo aplicado ao algoritmo de Machine Learning Random Forest
Treinamento e testes do modelo preditivo aplicado ao algoritmo de Machine Learning Logistic Regression
Treinamento e testes do modelo preditivo aplicado ao algoritmo de Machine Learning SVC (Support Vector Classifier)
Treinamento e testes do modelo preditivo aplicado ao algoritmo de Machine Learning Decision Tree (Árvore de Decisão)
Treinamento e testes do modelo preditivo aplicado ao algoritmo de Machine Learning KNN (K-Nearest Neighbors)
Treinamento e testes do modelo preditivo aplicado ao algoritmo de Machine Learning Gaussian Naïve Bayes
Finalização da construção do modelo preditivo para prever e mensurar a qualidade do vinho tinto
O curso Inteligência Artificial na Qualidade do Vinho é voltado para quem deseja aprender a criar modelos preditivos utilizando os principais algoritmos de Machine Learning supervisionada em Python. Durante as aulas, você irá desenvolver códigos para analisar e prever a qualidade do vinho, aplicando as principais técnicas e algoritmos avançados de Machine Learning presentes no mercado global. O curso abrange desde a preparação e exploração dos dados até a implementação e avaliação dos modelos desenvolvidos. Todos os exemplos práticos são desenvolvidos em Python, proporcionando uma experiência completa e prática. Ao longo do curso, você aprenderá a trabalhar com dados reais, entender os diferentes aspectos que influenciam a qualidade dos vinhos e como utilizá-los para criar modelos preditivos eficazes. Serão abordadas técnicas fundamentais, como pré-processamento de dados, normalização, seleção de features e validação de modelos. Além disso, exploraremos os principais algoritmos supervisionados, como regressão logística, árvores de decisão, Random Forest, SVC e KNN, permitindo que você compreenda as vantagens e limitações de cada abordagem. Este curso é ideal tanto para iniciantes na área de ciência de dados quanto para aqueles que já possuem experiência e desejam aprimorar suas habilidades em aprendizado de máquina aplicado à análise de algoritmos supervisionados. Ao concluir o curso, você terá adquirido o conhecimento necessário para desenvolver seus próprios modelos e implementá-los em diferentes contextos de aplicação