Machine Learning na Prática
4.5 (206 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.
1,220 students enrolled

Machine Learning na Prática

Se torne um cientista de dados agora! Entre na área mais quente da tecnologia utilizando Python e Machine Learning!
4.5 (206 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.
1,220 students enrolled
Last updated 5/2018
Portuguese
Current price: $83.99 Original price: $139.99 Discount: 40% off
2 days left at this price!
30-Day Money-Back Guarantee
This course includes
  • 4 hours on-demand video
  • 2 articles
  • 3 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
  • Extrair informações de grandes bases de dados utilizando diversas técnicas de Machine Learning, Coleta de Dados e ciência de dados programando em Python.
  • Aplicar as melhores práticas durante o desenvolvimento de sistemas de Machine Learning.
  • Será capaz de colocar seu algoritmo de Machine Learning em produção utilizando Flask, Django ou até mesmo funções internas.
Course content
Expand all 51 lectures 04:09:38
+ Ambiente de trabalho
5 lectures 20:36

Nesta aula, vamos entender como preparar o nosso ambiente de trabalho e também sobre os arquivos usados neste curso.

Preview 01:14

Nesta aula vamos aprender como instalar as ferramentas necessárias para o curso utilizando o Framework Anaconda.

Utilizando o Framework Anaconda
00:35

Nesta aula vamos entender um pouco sobre o Jupyter Notebook, o que é e como podemos utilizar esta incrível ferramenta para entender novos bancos de dados e compartilhar idéias e conhecimentos.

Preview 09:21

Vamos visualizar uma das melhores IDEs (na minha opinião) de Python na atualidade e alguns recursos que uso diariamente e também ao longo do curso.

Ferramenta - Pycharm
06:29
+ Entendendo o ciclo da análise de dados e geração de um modelo
10 lectures 01:08:10

Vamos dar uma pequena olhada na nossa base de dados e também quais os passos iniciais!

Uma visão geral da base de dados
11:51
Uma visão geral dos dados faltantes
02:34
Eliminando NaNs
06:04
Substituindo NaNs pela média do conjunto
10:31
Verificando NaNs restantes e verificações finais
01:12
Criando novas features
11:43
Transformação de dados e criação de novas features
05:50
Mais transformação de dados e outras features que podem ser criadas!
08:56
Ufa! Finalmente concluindo o tratamento dos dados...
01:39
Criando nosso primeiro modelo de Machine Learning!
07:50
+ Algoritmos de Regressão
17 lectures 01:24:30

O objetivo desta aula é mostrar o algoritmo mais simples de regressão, nele você irá entender alguns conceitos básicos, como implementar e também como visualizar os resultados do seu modelo.

Regressão Linear Simples - Introdução
08:15

Vamos entender um pouco melhor sobre regressão linear simples e também implementar o algoritmo na prática.

Regressão Linear Simples - Codificação
11:51

Ao entender que um algoritmo de regressão linear simples não é lá o melhor algoritmo do mundo... Entender como utilizar várias features (características) dos seus dados para ter um modelo (muito) melhor é excelente.

Nesta aula vamos entender como funciona a Regressão Linear utilizando múltiplas variáveis.

Regressão Linear com Múltiplas Variáveis - Introdução
05:02

Nesta aula vamos entender como carregar os dados e deixar eles em um formato que possa ser processado e utilizado pelos modelos de Machine Learning.

Regressão Linear com Múltiplas Variáveis - Codificando - Carregamento dos dados
04:28

Vamos aprender na prática como utilizar as variáveis que são categorias (Ex.: Cidades, classe social, faixa de idade etc.)

Regressão Linear com Múltiplas Variáveis - Codificando - Dummy Variables
03:36

Nesta aula vamos aprender a separas as bases de treinamento e testes e também vamos criar nosso primeiro modelo de regressão!

Regressão Linear com Múltiplas Variáveis - Codificando - Criando o Modelo
03:08

Nesta aula vamos aprender sobre Regressão Polinomial

Regressão Polinomial - Introdução
02:54

Vamos implementar na prática um algoritmo de regressão polinomial.

Regressão Polinomial - Codificação
07:24

Nesta aula vamos entender como funciona o algoritmo Support Vector Regression

Support Vector Regression - Introdução
01:54

Nesta aula vamos utilizar o algoritmo Support Vector Regression para predizer os valores dos nossos dados.

Support Vector Regression - Codificação
04:29

Nesta aula vamos entender como funciona o algoritmo Decicion Tree utilizado para regressão.

Decision Tree - Introdução
04:13

Nesta aula vamos utilizar o algoritmo Decision Tree em um problema de regressão.

Decision Tree - Coding
06:06

Nesta aula vamos entender sobre como funciona Random Forest para problemas de regressão.

Random Forest - Introdução
03:40

Agora vamos implementar Random Forest para um problema de regressão.

Random Forest - Codificação
06:17

Nesta aula vamos entender algumas técnicas para avaliação dos nossos modelos que são voltadas para algoritmos de regressão.

Avaliando Modelos de Regressão - Introdução
04:42

Agora vamos codificar e visualizar os resultados das análises nos algoritmos que implementamos em aula.

Avaliando Modelos de Regressão - Codificando
05:54

Conclusão das aulas de algoritmos de regressão.

Conclusão das aulas de regressão
00:37
+ Algoritmos de Classificação
11 lectures 50:59

Vamos entender este classificador bastante simples, mas poderoso chamado Logistic Regression

Logistic Regression - Introdução
03:09

Nesta aula vamos usar o algoritmo de regressão logistica para classificação e também vamos verificar como podemos visualizar o decision boundaries de um algoritmo!

Logistic Regression - Coding
05:00

Nesta aula vamos aprender sobre K-Nearest Neighboors que é um dos algoritmos que trazem bons resultados de classificação!

K-Nearest Neighboors - Introdução
03:42

Nesta aula vamos aprender a utilizar o K-Nearest Neighboors na prática.

K-Nearest Neighboors - Coding
03:36

Vamos entender como funciona o Support Vector Machine, que é um dos algoritmos bastante interessantes de classificação e que costuma ter excelentes resultados!

Support Vector Machine - Introdução
02:59

Nesta aula vamos ter uma introdução da equação Bayes para podermos entender melhor o algoritmo Naive Bayes!!!

Equação Bayes - Introdução
07:50

Entendendo como utilizar a equação Bayes para fazer classificação dos dados!

Naive Bayes - Introdução
06:06

Nesta aula vamos utilizar o algoritmo GauseanBayes() do SkLearn.

Naive Bayes - Codificando
04:04

Nesta aula vamos entender como funciona o Decision Tree para problemas de classificação e qual a diferença com regressão!

Decision Trees para Classificação - Intuição
06:56

Vamos agora codificar e entender um pouco do comportamento do algoritmo Decision Tree utilizado em classificação!

Decision Tree para Classificação - Coding
04:12

Nesta aula vamos entender um pouco mais sobre como podemos utilizar Random Forest para problemas de classificação e uma breve descrição de como funciona.

Random Forest para Classificação
03:25
+ Validação do modelo
7 lectures 18:55

Vamos entender o processo de validação do modelo e porque ele é importante.

Introdução
03:06

Entendendo o processo mais simples de validar nosso modelo... 

Técnica 1: Separando dados de treino e dados de testes
03:02

Cross-validation é a técnica mais usada para validar modelos de Machine Learning e também estatísticos. Vamos entender o que é e como fazer.

Técnica 2: Usando Cross-Validation
02:36

Entender onde nosso modelo está acertando ou errando é um passo importante para fazer várias melhorias nele. O Confusion Matrix é uma das ferramentas que podemos usar facilmente.

Técnica 3: Confusion Matrix
03:50

Esta técnica é pouco usada, mas pode ser útil quando temos dados de treinamento e de testes muito diferentes.

Técnica 4: Adversarial Validation
03:45

Ahhh o overfitting... É o medo geral... vamos entender o que é e quais técnicas podemos usar para evitar este pesadelo.

Problemas no Modelo: Overfitting
01:33

Ok, este é um problema difícil e frustrante... vamos discutir algumas coisas que podemos fazer.

Problemas com o modelo: Baixo Score
01:03
+ Otimização do modelo
1 lecture 06:28

Nesta aula vamos aprender a utilizar o GridSearch que é uma ferramenta disponibilizada na biblioteca sciki-learn que permite testar diversos parâmetros afim de otimizar o resultado final do modelo.

Utilizando GridSearch para otimizar o modelo
06:28
Requirements
  • Você vai precisar de um computador com Windows, Mac ou Linux. Todas as ferramentas necessárias são Open Source e serão instaladas ao longo deste curso.
  • Conhecimentos em programação são necessários ao longo deste curso.
  • Conhecimentos em matemática facilitarão o bom entendendimento (Ex.: média, moda, mediana, desvio padrão etc.)
  • Este curso foi desenvolvido em um ambiente Windows utilizando o Docker que facilita bastante o uso em outros ambientes com pouca mudança nas configurações e comandos.
Description

Este curso está (em constante) desenvolvimento!

Atualmente analistas de dados estão recebendo alguns dos maiores salários na área de tecnologia. E sinceramente, o trabalho é muito interessante e divertido!

Se você tiver alguma experiência em programação, este curso vai te mostrar as técnicas que são utilizadas pelos cientistas de dados, preparando você para atuar nesta área ou utilizar seus conhecimentos nos seus produtos.

O objetivo é entender o que é mais importante saber. Entendendo os fundamentos e as ferramentas certas, fica muito mais fácil identificar as soluções certas para os problemas apresentados no seu dia a dia.

Você será capaz de analisar os dados, identificar pontos de melhorias extraindo características, criar seus modelos e validar se o mesmo está com uma performance correta, seguindo as melhores práticas do mercado.

Todas as ferramentas utilizadas aqui são utilizadas por as maiores empresas de tecnologias no mundo e poderá ser utilizado em qualquer lugar, não é necessário investir em uma ferramenta!

Neste curso tomei o cuidado de disponibilizar uma série de funções e "Boilerplates" que podem ser utilizados em praticamente qualquer projeto com poucas ou nenhuma alteração.

O que você está esperando? Esta área traz um mundo de novas possibilidades para você na sua carreira e na vida! Comece agora este curso!!!!!!

Atualizações:

Março/2018: 

  • Aula de análise e processamento de dados completamente remodelada 
  • Novas aulas de modelos de regressão


Abril/2018:

  • Publicação das aulas relacionadas a modelos de classificação


Maio/2018: 

  • Adicionados novas explicações sobre modelos de classificação
Who this course is for:
  • Desenvolvedores de software ou programadores que querem fazer a transição para a lucrativa carreira de engenheiro de dados vai aprender muito com este curso.
  • Analistas de dados na aárea financeira ou outras áreas da industria que querem fazer a transição para a área técnica vai aprender muito como analisar dados usando código ao invés de usar ferramentas. Mas você deve ter alguma experiência em codificação para se dar bem neste curso.
  • Se você não tem experiência nenhuma em programação, por favor, NÃO faça este curso ainda. Sugiro que você faça um curso de python para iniciantes e será mais do que o suficiente.
  • Empreendedores que programam e querem explorar os benefícios que Machine Learning pode trazer ao seu negócio.