Machine Learning e Data Science com Python

Carga horária: 32hs

Objetivo:

O curso tem como objetivo apresenta os conceitos de machine e data science na linguagem python.  Ao termino do curso o aluno será capaz de aplicar as melhores técnicas para analise de dados em seus projetos alem de conhecer os algoritmos mais usados no estudo de machine learning.

Pré-requisito: Logica de Programação com orientação a Objetos

Próximas turmas

Frequência Horário Início Término Valor
Sábado 13:00/17:00h 24/02/2018 14/04/2018 6xR$240.00

Ementa:

 

o   Configurando o Ambiente Para o Python

·         Baixando e instalando o python 3.5

·         Instalação do jupyter-notebook

·         Instalando dependências

·         Instalando pip

·         Instalando virtualenv

·         Baixando a ide pycharm

§  Configurando a ide

§  Configurando o ambiente virtual

§  Instalando o django no ambiente

§  Criando um projeto django

§  Configurando o projeto

§  Iniciando o projeto

o   Lógica de programação no python

·         Tipos de dados

·         Tipagem dinâmica

·         Strings

·         Listas

·         Dicionários

·         Tuplas

·         Condicionais

·         Repetições

·         Funções

·         Blocos de Programação

·         blocos Condicionais

·         Blocos de Repetição

o   Orientação a objetos no python

·         Classes e objetos

·         Encapsulamento de dados

·         Construtores

·         Herança em object

·         Herança múltipla

·         Herança entre classes

·         Relacionamento

·         Serialização

·         Arquivos

·         Geração de arquivos

·         Leitura e Gravação

·         Processamento de um arquivo

·         Permissões em arquivos

Acessando subdiretórios

·         Tratamento de datas  

o   Imprimindo a hora

o   Imprimindo a data atual

o   Diferença entre duas datas

o   Separando a data

 

 

·         Introdução a machine learning

·         Tipos de aprendizado

o   Aprendizado supervisionado

o   Aprendizado não supervisionado

o   Técnicas de aprendizado

o   Obtendo datasets

·         Biblioteca NumPy

o   Introdução a biblioteca

o   Array VS python list

o   Eficiência com NumPy

o   Slicing Arrays

o   Matrizes com listas

o   Matrizes com NumPy

o   Operações com matrizes

o   Visualizando dados com matplotlib

o   Inserindo elementos em um array

o   Adicionando elementos ao final de um array

o   Deletando elementos do array

o   Titile em um array

o   Dividindo um array

o   Arrays de zeros e uns

o   Indexação booleana

o   Carregando dados do arquivo com NumPy

o   Lendo CSV com NumPy

o   Analisando um dataset com NumPy

·         Biblioteca Pandas

o   Series

o   DataFrame

o   Index

o   Datasets

o   Datasets com db.py

o   Datasets com CSV / Excel

o   Filtro em um DataFrame

o   Dados Categóricos

o   Dados perdidos em um dataset

o   Operações de agregação e agrupamento

o   Joins

o   Pivot tables

o   Visualização com matplotlib

o   Series Temporais

·         Biblioteca Matplotlib

o   Gráficos

o   Barra

o   Linha

o    Dispersão

o   Seaborn

o   Customizando

o   Histograma e Gráfico de Pizza

·         Regressão Linear

o   Linear simples

o   Entendo o método dos mínimos quadrados

·         KNN- Classificação

o   Introdução ao KNN

o   Funcionamento

o   Calculando a distância euclidiana

o   Distancia euclidiana e distancia Manhattan

o   Determinação da classe

o   Vantagens e desvantagens

o   Implementação do KNN – python

o   Implementação do KNN - sklearn

o   Implementação do KNN – sklearn e NumPy

o   Utilizando o model selection e score

o   KNN com sklearn – Dataset Iris

·         KNN - Regressão

o   Introdução a Regressão com KNN

o   Implementação da Regressão com KNN

o   Regressão com sklearn

o   Erro quadrático médio

o   Regressão em um datasets

·         Redes Neurais Artificiais

o   Introdução em redes neurais artificiais

o   Conhecendo a rede perceptron

o   Processo de treinamento em perceptron

o   Algoritmo de treinamento em perceptron

o   Implementação da perceptron

o   Redes neurais com sklearn

·         K-Means

o   Introdução e algoritmo

·         Finalização e definição de projeto

o   Escolha do dataset do projeto

o   Pode ser aplicado no mundo real

o   Aplicar suposições

o   Gráficos

o   KNN

 

o   Apresentação e conclusão do curso