Criando Modelos de Machine Learning
4.5 (16 ratings)
Instead of using a simple lifetime average, Udemy calculates a course's star rating by considering a number of different factors such as the number of ratings, the age of ratings, and the likelihood of fraudulent ratings.
186 students enrolled
Wishlisted Wishlist

Please confirm that you want to add Criando Modelos de Machine Learning to your Wishlist.

Add to Wishlist

Criando Modelos de Machine Learning

Uma abordagem prática para criação de modelos de Machine Learning
4.5 (16 ratings)
Instead of using a simple lifetime average, Udemy calculates a course's star rating by considering a number of different factors such as the number of ratings, the age of ratings, and the likelihood of fraudulent ratings.
186 students enrolled
Created by Weslley Moura
Last updated 7/2017
Portuguese
Curiosity Sale
Current price: $10 Original price: $100 Discount: 90% off
30-Day Money-Back Guarantee
Includes:
  • 4 hours on-demand video
  • 8 Articles
  • 6 Supplemental Resources
  • Full lifetime access
  • Access on mobile and TV
  • Certificate of Completion
What Will I Learn?
  • Descrever a diferença entre o aprendizado supervisionado e não supervisionado
  • Descrever as etapas de um projeto de machine learning
  • Elaborar bases de dados para análise
  • Descrever os principais tipos de transformação de dados: Scale, Center, Standardize, Normalize, Box-Cox, PCA
  • Realizar análise exploratória de dados, identificar outliers, missing values e correlação entre variáveis
  • Entender as técnicas para se trabalhar com classes desbalanceadas
  • Descrever as principais métricas de avaliação
  • Separar os dados entre treino, validação e teste assim como aplicar cross validation
  • Aplicar feature selection e model selection
  • Otimizar modelos com grid search e random search
  • Combinar modelos com ensemble
  • Operacionalizar modelos
View Curriculum
Requirements
  • Lógica de programação
  • Noções de estatística
  • Instalação e configuração de softwares
Description

Neste curso você aprenderá a criar modelos de machine learning do zero. Você ainda poderá usar os materiais de apoio do curso como base para desenvolver projetos na sua empresa. Os Exemplos são todos escritos em R ou Python.

Ao final do curso você será capaz de desenvolver modelos preditivos usando técnicas como cross validation, feature selection, model selection, grid search, ensemble e outras. 

Note: Este curso se concentra na parte prática de implementação de modelos de machine learning, ou seja, seu foco é descrever as principais etapas existentes neste tipo de projeto e apresentar exemplos práticos para cada uma delas.

Who is the target audience?
  • Pessoas que queiram entrar no mercado de data science para atuar como analista de dados/cientista de dados
  • Profissionais queiram aperfeiçoar seus conhecimentos em abordagens práticas de aprendizado de máquina
Students Who Viewed This Course Also Viewed
Curriculum For This Course
39 Lectures
03:45:44
+
Planejando o trabalho
12 Lectures 01:19:45

Nesta aula discutiremos sobre a diferença entre as abordagens de aprendizagem de máquina supervisionada, não supervisionada e semi supervisionada. Este é um importante conceito para que você escolha as ferramentas corretas para o seu projeto de machine learning.

Abordagens do aprendizado de máquina
02:22

Você sabia que existem algumas etapas genéricas que podem ser aplicadas a grande maioria dos projetos de machine learning? Conhecer estas etapas podem te dar uma boa visão do trabalho a ser realizado! Falaremos sobre planejamento, aquisição de dados e análise exploratória, modelagem, validação e operacionalização de modelos.

Etapas de um projeto de machine learning
04:32

Vamos criar nosso primeiro modelo de machine learning!

Preview 18:24

R e Python são as linguagens de programação mais usadas em projetos de machine learning atualmente. Já aprendemos a criar um modelo usando R...que tal explorar um pouco o Python agora?

Prática: Criando seu primeiro modelo em Python
09:07

Talvez uma das partes mais importantes e que mais demandam tempo dentro de um projeto de machine learning é justamente a aquisição e tratamento dos dados. Criar uma base de modelagem com as informações corretas (e com qualidade) para resolver o seu problema de negócio é um passo decisivo para o sucesso do seu projeto. Vamos falar um pouco sobre o formato tradicional de uma base de modelagem e algumas características específicas que as mesmas costumam ter.

Elaborando a base de dados para análise
03:30

Já ressaltamos que ter os dados certos para resolver o seu problema de negócio é crucial, então por que não explorar um pouco mais este assunto?

Enriquecendo a base de dados
03:24

One hot encoding é uma das transformações mais usadas em projetos de machine learning. Nesta aula vamos aplicar este tipo de transformação em, ainda mais importante, entender quais preocupações devemos ter ao criar codificadores e aplicá-los em bases de treino e teste.

Prática: One hot encoding e dicas sobre transformações
13:22

Nem sempre nossos dados estão prontos para passar pelos algoritmos de aprendizagem de máquina...às vezes precisamos aplicar algumas transformações nos mesmos. Nesta aula vamos falar sobre as transformações de dados scale, center, standardize, normalize, box-cox e PCA.

Data transformation
09:21

Prática: Data transformation
00:09

Ainda falando sobre criação da base de modelagem, nesta aula vamos abordar alguns pontos importantes ao criar sua "variável resposta" em projetos de abordagens supervisionadas. Preparar uma base de modelagem com uma "variável resposta" inconsistente com o objetivo de negócio do seu projeto, definitivamente, resultará no insucesso do seu trabalho.

Preocupações com a variável resposta
05:48

Que tal resumirmos a primeira parte do nosso curso?

Resumo parte 1
05:02
+
Explorando os dados
9 Lectures 18:55

Presença de outliers, valores ausentes, distribuição dos dados, erros de base, correlação...Todos estes termos estão relacionados à análise exploratória de dados, atividade importantíssima para que você consiga contar a história.

Análise exploratória de dados
02:34

Prática: Análise exploratória
00:09

Nesta aula veremos um pouco da teoria por trás dos valores ausentes e as diferentes formas de tratá-los.

Tratamento de missing values
02:49

Prática: Tratamento de missing values
00:09

Nesta aula vamos entender o que são outliers e como podemos encontrá-los e tratá-los.

Tratamento de outliers
03:50

Prática: Tratamento de outliers
00:09

Muitas vezes precisamos criar um modelo para identificar a ocorrência de um evento raro, por exemplo, classificar transações fraudulentas de cartão de credito ou prever a ocorrência de doenças. 

Eventos raros são os tipos de casos mais interessantes para se estudar, pois podemos causar melhorias de grade impacto em processos de negócio ao encontrar o modelo certo.

O problema de eventos raros também é chamado de classes desbalanceadas.

Trabalhando com classes desbalanceadas
05:40

Prática: Trabalhando com classes desbalanceadas
00:09

Que tal resumirmos a segunda parte do nosso curso?

Resumo parte 2
03:24
+
Criando o modelo
14 Lectures 01:21:12

Como dizer se um modelo está bom ou ruim? Usando métricas!

Métricas para avaliação de modelos
10:27

Prática: Métricas para avaliação de modelos
00:09

Talvez uma das aulas mais importantes. Vamos aprender a separar nossos dados entre treino e teste...e mais algumas dicas de ouro.

Resampling, dividindo a base entre treino, validação e teste
05:01

Prática: Resampling, dividindo a base entre treino, validação e teste
05:49

"Tomar decisão", é isso que fazemos a todo momento enquanto estamos criando um modelo de machine learning. Neste aula vamos aprender algumas ferramentas que podem nos auxiliar a tomar as decisões de escolher as melhores variáveis e o melhor algoritmo para o nosso projeto.

Preview 03:34

Prática: Feature e Model selection
14:52

Sempre podemos melhorar algo, certo? Nesta aula veremos como melhorar os resultados dos nossos modelos por meio da otimização de hiper parâmetros.

Preview 04:02

Prática: Otimização de modelos com grid e random search
11:25

Nesta aula veremos como unir diferentes modelos para melhorar nossas predições por meio de Ensembles

Preview 03:15

Prática: Ensemble com bagging e boosting
12:12

É hora de colocar nosso modelo em produção e mostrar seus resultados

Operacionalização do modelo
02:40

Prática: Operacionalização do modelo
05:56

Prática: Criando seu data product com R Shiny
00:03

Que tal resumirmos a terceira parte do nosso curso?

Resumo parte 3
01:46
+
Conteúdo complementar
4 Lectures 45:44
Algoritmos de aprendizagem de máquina
03:41

Nesta aula veremos como trabalha um algoritmo baseado em aprendizagem de máquina não supervisionada.

Prática: Passo a passo de um algoritmo não supervisionado (K-Means) - Parte 1
07:56

Nesta aula veremos como trabalha um algoritmo baseado em aprendizagem de máquina não supervisionada.

Prática: Passo a passo de um algoritmo não supervisionado (K-Means) - Parte 2
19:01

Nesta aula veremos como trabalha um algoritmo baseado em aprendizagem de máquina supervisionada.

Prática: Passo a passo de um algoritmo supervisionado (Linear Regression)
15:06
About the Instructor
Weslley Moura
4.5 Average rating
15 Reviews
186 Students
1 Course
Cientista de dados

Mestre em engenharia da computação, professor de cursos relacionados a análise de dados e co-fundador da empresa Pepsoft Sistemas. Profissional apaixonado pela ciência existente nos dados e suas aplicações práticas.

Nos últimos anos vem dedicando seu tempo a projetos de aprendizagem de máquina e mantém seu site pessoal com dicas e aulas relacionadas ao tema em Hacking Analytics.