Machine Learning e Data Science com Python
4.3 (3,237 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
13,099 students enrolled

Machine Learning e Data Science com Python

Nesse curso você irá aprender sobre Machine Learning e Data Science com Python!
4.3 (3,237 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
13,099 students enrolled
Last updated 12/2017
Portuguese
Portuguese [Auto]
Current price: $44.99 Original price: $69.99 Discount: 36% off
22 hours left at this price!
30-Day Money-Back Guarantee
This course includes
  • 16.5 hours on-demand video
  • 1 article
  • 113 downloadable resources
  • Full lifetime access
  • Access on mobile and TV
  • Certificate of Completion
Training 5 or more people?

Get your team access to 4,000+ top Udemy courses anytime, anywhere.

Try Udemy for Business
What you'll learn
  • 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.
Course content
Expand all 142 lectures 16:35:03
+ Apresentação
4 lectures 04:36

O instrutor Gileno Filho mostra alguns links sobre ele e dá a boas vindas ao curso!

Seja bem vindo(a)! - Instrutor Gileno Filho
01:08

Nessa aula irei falar sobre o fórum do curso.

Fórum do curso
01:32

Grupo no Facebook do curso de Machine Learning e Data Science com Python.

Grupo do curso
00:40
+ Introdução a programação com Python
24 lectures 02:56:31

Nessa aula iremos conhecer a linguagem Python.

Preview 03:53

Instalação no Windows.

Instalação no Windows
04:40

Nesta aula você verá como instalar o seu ambiente no Windows de outra forma, utilizando virtualenv

Instalação no Windows (com virtualenv)
08:38

Instalação no Linux.

Instalação no Linux
05:07

Nesta aula você verá como instalar no GNU/Linux de outra forma, utilizando virtualenv

Instalação no Linux (com virtualenv)
09:33

Instalação no Mac OSX

Instalação no Mac (com virtualenv)
10:03

Utilizando o IDLE.

Utilizando o IDLE
03:49

Conhecendo o Jupyter Notebook.

Preview 04:42

Nessa aula iremos manipular variáveis.

Variáveis
12:12

Nessa aula iremos conhecer os operadores.

Operadores
12:53

Variáveis string.

Variáveis string
14:57

Nessa aula iremos aprender a fazer entrada de dados.

Preview 03:47

Nessa aula iremos falar sobre condições.

Condições
06:15

Nessa aula iremos falar sobre os loops.

Repetições
05:44

Nessa aula iremos falar sobre listas.

Listas
08:48

Estrutura de repetição for.

Estrutura de repetição for
04:01

Nessa aula iremos falar sobre tuplas.

Tuplas
03:31

Nessa aula iremos falar sobre conjuntos (sets).

Preview 04:34

Nessa aula iremos falar sobre dicionários.

Dicionários
04:29

Nessa aula iremos aprender a criar nossas próprias funções.

Criando funções
08:19

Nessa aula iremos aprender a criar módulos.

Criando módulos
09:28

Nessa aula iremos falar sobre arquivos.

Arquivos
11:02

Nessa aula iremos falar sobre orientação a objetos.

Orientação a objetos
12:22

Programação Funcional.

Programação Funcional
03:44
+ Um pouco mais de Orientação a Objetos
6 lectures 50:04

Jogo do Robô - Parte 1.

Jogo do Robô 1
13:06

Jogo do Robô - Parte 2.

Jogo do Robô 2
07:04

Jogo do Robô - Parte 3.

Jogo do Robô 3
05:05

Jogo do Robô - Parte 4.

Jogo do Robô 4
07:15

Jogo do Robô - Parte 5.

Jogo do Robô 5
09:09

Jogo do Robô - Parte 6.

Jogo do Robô 6
08:25
+ Introdução a Machine Learning
11 lectures 47:26

Introdução a Inteligência Computacional.

Introdução a Inteligência Computacional
06:55

Machine Learning - Motivação.

Preview 04:34

Nessa aula iremos falar sobre conjunto de dados.

Conjunto de Dados
04:47

Nessa aula continuaremos a falar sobre dados.

Dados
01:55

Tipos de atributos.

Tipos de atributos
02:58

Nessa aula iremos falar sobre escala de atributos.

Escala de atributos
04:03

Nessa aula iremos falar sobre os tipos de aprendizado.

Tipos de aprendizado
06:02

Nessa aula iremos conhecer o aprendizado supervisionado.

Aprendizado Supervisionado
05:19

Nessa aula iremos falar sobre aprendizado não-supervisionado.

Aprendizado Não-Supervisionado
03:19

Nessa aula iremos falar resumidamente sobre algumas técnicas de aprendizado.

Técnicas de aprendizado
02:22

Obtendo datasets.

Obtendo datasets
05:12
+ NumPy
26 lectures 01:47:53

Conhecendo NumPy.

Preview 07:49

NumPy array versus Python list.

NumPy array versus Python list
03:29

Eficiência Numpy.

Preview 02:01

Slicing Arrays.

Slicing Arrays
06:18

Nessa aula iremos implementar matrizes com as listas do Python.

Matrizes com listas
05:57

Criando matrizes com NumPy.

Criando matrizes com NumPy
06:25

Nessa aula iremos aprender a fazer operações com matrizes.

Operações com matrizes
03:53

Visualizando os dados com Matplotlib.

Visualizando os dados com Matplotlib
05:00

Visualizando dados novamente.

Visualizando dados novamente
04:53

Nessa aula iremos aprender a inserir elementos no array.

Inserindo elementos no array
05:11

Anexar valores ao final de um array.

Anexar valores ao final de um array
03:02

Deletando elementos do array.

Deletando elementos do array
03:20

 Repetindo elementos de um array.

Repetindo elementos de um array
02:02

Repetindo um array com tile.

Repetindo um array com tile
02:35

Dividindo um array.

Dividindo um array
02:54

Criando arrays de zeros e uns.

Criando arrays de zeros e uns
01:22

Criando uma matriz identidade.

Criando uma matriz identidade
02:47

Nessa aula iremos aprender a obter elementos do array arbitrariamente através de indexação booleana.

Indexação booleana
01:52

Carregando dados do arquivo com NumPy.

Carregando dados do arquivo com NumPy
05:31

Juntando uma sequência de arrays.

Juntando uma sequência de arrays
04:34

Embaralhando uma sequência.

Embaralhando uma sequência
00:50

Números complexos com NumPy.

Números complexos com NumPy
05:21

Gerando arrays com linspace.

Gerando arrays com linspace
02:28

Encontrando elementos únicos de um array.

Encontrando elementos únicos de um array
01:36

Lendo arquivos CSV com NumPy.

Lendo arquivos CSV com NumPy
02:49

Analisando o Iris DataSet com NumPy.

Analisando o Iris DataSet com NumPy
13:54
+ Pandas
21 lectures 03:13:08

Nesta aula você verá como funciona o objeto Series do Pandas

Preview 08:27

Nesta aula iremos entender como funciona o objeto Pandas DataFrame

Preview 06:12

Nesta aula iremos entender como funciona o Index no Pandas

Preview 06:04

Nesta aula vamos carregar dataset's prontos através da biblioteca pydataset

Carregando Dataset's com pydataset
05:19

Nesta aula vamos carregar dados provenientes de bancos relacionais utilizando a lib db.py

Carregando Dataset's com db.py
06:53

Nesta aula iremos ver como carregar dados que estão em planilhas do excel ou no formato csv

Carregando Dataset's em CSV / Excel
04:54

Nesta aula iremos fazer filtro/seleção num DataFrame

Realizando Filtro / Seleção em um DataFrame
06:44

Nesta aula iremos ver como trabalhar com dados categóricos no Pandas

Trabalhando com Dados Categóricos
05:58

Nesta aula iremos ver como proceder com dados perdidos (data missing)

Resolvendo o problemas de dados perdidos
10:51

Nesta aula iremos ver como agrupar dados através do groupby e aplicar o aggregate para extrair informações interessantes sobre o DataFrame

Operações de aggregate e grouping no DataFrame
14:21

Nesta aula iremos ver como juntar dois DataFrame's através do pd.merge (join)

Operações de merge (join) no DataFrame
11:25
Trabalhando com Séries Temporais
06:46
Criando pivot tables
14:14

Nesta aula iremos entender um pouco sobre a biblioteca matplotlib para trabalhar com Pandas

Visualização 01 - Matplotlib
08:43

Nesta aula iremos entender um pouco sobre a biblioteca seaborn para trabalhar com Pandas

Visualização 02 - Seaborn
05:43

Algumas dicas para se trabalhar com visualização de dados

Visualização 03 - Visualização da Informação
00:36

Nesta aula iremos ver como criar gráficos de pizza e histogramas com dados do Pandas.

Obs: Onde eu menciono histograma na verdade é apenas um gráfico de barras, pois se trata de uma amostra de dados discretos e não contínuos como deve ser para histogramas.

Visualização 04 - Histograma e Gráfico de Pizza
20:33

Nesta aula iremos ver criar gráficos de dispersão para nossos dados.

Visualização 05 - Gráfico de Dispersão
11:42

Nesta aula iremos ver como criar um gráfico de dispersão com dados geográficos e colocá-los num mapa

Visualização 06 - Visualizando em Mapas
06:56

Nesta aula você verá como customizar rótulos, limites e legendas de um gráfico

Visualização 07 - Customizando Eixos e Labels de um Gráfico
11:31

Nesta aula iremos ver algumas opções de visualização para séries temporais (timeseries)

Visualização 08 - Gráficos de Séries Temporais
19:16
+ Regressão Linear
3 lectures 29:58

Nesta aula você verá como funciona uma regressão do ponto de vista estatístico

O que é regressão (estatística)?
06:15

Nesta aula você verá como funciona a regressão linear simples, onde existe apenas uma variável explicativa (independente - X) e uma variável explicada (dependente - Y)

Como funciona a regressão linear simples
07:41

Nesta aula você verá como funciona o Método dos Mínimos Quadrados (em inglês OLS) que consegue gerar a equação da reta que minimiza o erro.

Entendendo o Método dos Mínimos Quadrados (OLS)
16:02
+ kNN - Classificação
18 lectures 02:17:29

Nessa aula iremos conhecer o algoritmo kNN.

Preview 06:03

Nessa aula iremos aprender o funcionamento do algoritmo kNN.

Funcionamento do kNN
08:44

Nessa aula aprenderemos a calcular a distância euclidiana.

Calculando a distância euclidiana
09:55

Nessa aula iremos fazer uma comparação entre a distância Euclidiana e a distância Manhattan.

Distância Euclidiana e Manhattan
04:56

Nessa aula iremos aprender a determinar a classe do exemplo desconhecido utilizando o algoritmo kNN.

Determinando a classe do novo exemplo
06:22

Nessa aula iremos falar das vantagens e desvantagens do kNN.

Vantagens e desvantagens
02:45

Nessa aula irei falar sobre a escolha do parâmetro K do algoritmo kNN.

Escolha do parâmetro K
07:26

Nessa aula iremos escolher um dataset para testarmos a implementação do kNN.

Escolha do dataset
06:25

Implementação do kNN - Parte 1.

Implementação do kNN - Parte 1
06:06

Implementação do kNN - Parte 2.

Implementação do kNN - Parte 2
10:31

Implementação do kNN - Parte 3.

Implementação do kNN - Parte 3
12:04

Implementação do kNN - Parte 4.

Implementação do kNN - Parte 4
05:56

Implementação do kNN com sklearn.

Implementação do kNN com sklearn
15:18

Implementação do kNN com Numpy e sklearn.

Implementação do kNN com Numpy e sklearn
13:48

Utilizando o model_selection.

Utilizando o model_selection
00:44

Utilizando o score.

Utilizando o score
07:14

kNN com pandas e sklearn.

kNN com pandas e sklearn
08:44

kNN com sklearn - Dataset Iris.

kNN com sklearn - Dataset Iris
04:28
+ kNN - Regressão
5 lectures 37:27

Conhecendo o kNN para Regressão.

Preview 05:37

Implementando o kNN Regressão.

Implementando o kNN Regressão
10:03

kNN Regressão com sklearn.

kNN Regressão com sklearn
09:12

Erro quadrático médio.

Erro quadrático médio
06:46

kNN Regressão - Dataset Diabetes.

kNN Regressão - Dataset Diabetes
05:49
+ Redes Neurais Artificiais
21 lectures 03:14:33

O que são redes neurais artificiais?

Preview 03:47

Nessa aula iremos conhecer a estrutura de um neurônio artificial.

Neurônio artificial
04:08

Nessa aula iremos falar sobre as funções de ativação.

Funções de ativação
04:03

Nessa aula iremos conhecer a rede Perceptron.

Conhecendo a Rede Perceptron
07:32

Processo de treinamento da Perceptron.

Processo de treinamento da Perceptron
04:22

Algoritmo de treinamento da Perceptron.

Algoritmo de treinamento da Perceptron
05:55

Fase de operação da Perceptron.

Fase de operação da Perceptron
02:51

Implementação da Perceptron - Parte 1.

Preview 07:32

Implementação da Perceptron - Parte 2.

Implementação da Perceptron - Parte 2
07:44

Implementação da Perceptron - Parte 3.

Implementação da Perceptron - Parte 3
08:02

Nessa aula iremos aprender sobre redes neurais com a PyBrain.

Redes Neurais com PyBrain - Instalação
09:15

Redes Neurais com PyBrain - Implementação.

Redes Neurais com PyBrain - Implementação
10:04

Redes Neurais com PyBrain - Discutindo os parâmetros.

Redes Neurais com PyBrain - Discutindo os parâmetros
13:19

Redes Neurais com PyBrain - Iris Dataset.

Redes Neurais com PyBrain - Iris Dataset
21:46

Adicionando camadas escondidas com PyBrain.

Adicionando camadas escondidas com PyBrain
14:26

PyBrain - Iris DataSet novamente - Parte 1.

PyBrain - Iris DataSet novamente - Parte 1
17:10

PyBrain - Iris DataSet novamente - Parte 2.

PyBrain - Iris DataSet novamente - Parte 2
13:13

PyBrain - Iris DataSet novamente - Parte 3.

PyBrain - Iris DataSet novamente - Parte 3
09:45

Redes Neurais com sklearn - Parte 1.

Redes Neurais com sklearn - Parte 1
10:37

Redes Neurais com sklearn - Parte 2.

Redes Neurais com sklearn - Parte 2
17:22

Redes Neurais com sklearn - Parte 3.

Redes Neurais com sklearn - Parte 3
01:40
Requirements
  • Não é necessário conhecimento prévio, embora seja recomendado uma noção de lógica de programação e conceitos matemáticos básicos.
Description

Atenção: nesse curso ainda estão sendo adicionadas aulas!

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.

Nesse curso 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.

Além disso, 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.

Todo o curso é 100% em vídeo-aulas, tem direito a certificado e acesso vitalício!

Os instrutores Marcos Castro (mais de 12 mil alunos na Udemy) e Gileno Filho (mais de 10 mil alunos na Udemy) 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.

Aguardamos você no curso!

Who this course is for:
  • 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.