Machine Learning e Data Science com Python
4.3 (314 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.
1,960 students enrolled
Wishlisted Wishlist

Please confirm that you want to add Machine Learning e Data Science com Python to your Wishlist.

Add to Wishlist

Machine Learning e Data Science com Python

Nesse curso você irá aprender sobre Machine Learning e Data Science com Python!
4.3 (314 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.
1,960 students enrolled
Learn Fest Sale
Current price: $10 Original price: $70 Discount: 86% off
2 days left at this price!
30-Day Money-Back Guarantee
Includes:
  • 16.5 hours on-demand video
  • 1 Article
  • 111 Supplemental Resources
  • Full lifetime access
  • Access on mobile and TV
  • Certificate of Completion
What Will I 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.
View Curriculum
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 is the target audience?
  • 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.
Students Who Viewed This Course Also Viewed
Curriculum For This Course
Expand All 142 Lectures Collapse 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 03:13:11

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
00:39

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

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
2 More Sections
About the Instructor
Marcos Castro
4.3 Average rating
4,123 Reviews
17,042 Students
34 Courses
Professor

Olá, meu nome é Marcos Castro e eu amo compartilhar conhecimento!

A minha formação é em Ciência da Computação. Além da computação, me interesso por educação a distância, empreendedorismo, marketing digital, inteligência artificial, ciência de dados e muito mais.

Elaborei mais de 30 cursos, tenho mais de 15 mil alunos espalhados por mais de 85 países. Acredito que a educação pode transformar as pessoas contribuindo para um mundo melhor!

Desenvolvedor e Professor Gileno Alves Santa Cruz Filho
4.3 Average rating
2,380 Reviews
13,541 Students
4 Courses

Co-­fundador e instrutor da empresa PyCursos. Sou analista na empresa Dantas Engenharia de Avaliações onde desenvolvo tanto a plataforma web de ensino para cursos de Inferência Estatística aplicada a Avaliação Imobiliária quanto o software científico chamado SAB (Sistema de Avaliação de Bens), voltado para a análise de dados imobiliários utilizando técnicas clássicas de estatísticas e inteligência artificial.

Trabalho com Python desde 2008, participando ativamente de comunidades de software livre e ensinando Python em diversos cursos, workshops e palestras.

Tenho interesse em: Desenvolvimento de Software, Python, Análise de Dados, Inteligência Artificial, Engenharia de Avaliações, Design e Minimalismo.