Machine Learning e Data Science com Linguagem Python e R.

Carga horária: 52hs

O Curso tem como objetivo capacitar o aluno para atuar como cientista de dados usando as linguagens python e R. Será necessário boa lógica de programação, conhecimento de banco de dados e introdução a probabilidade e estatística. No termino do curso o aluno será capaz de escrever rotinas de machine learning tanto no python quanto no R.

Próximas turmas

Frequência Horário Início Término Valor
Segunda à Sexta 14:00/17:00h 07/01/2019 30/01/2019 10XR$180.00
Sábado 13:00/17:00h 12/01/2019 20/04/2019 10XR$180.00

·        Python

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

o   Iniciando o projeto

 

  • Introdução a programação
    • Tipos de dados
    • Tipagem dinâmica
    • Strings
    • Listas
    • Dicionários
    • Tuplas
    • Escrita e leitura de arquivos
    • Funções blocos
    • Classes e métodos

 

  • Analise de dados
    • Numpy
      • Introdução a biblioteca
      • Array VS python list
      • Eficiência com NumPy
      • Slicing Arrays
      • Matrizes com listas
      • Matrizes com NumPy
      • Operações com matrizes
      • Visualizando dados com matplotlib
      • Inserindo elementos em um array
      • Adicionando elementos ao final de um array
      • Deletando elementos do array
      • Titile em um array
      • Dividindo um array
      • Arrays de zeros e uns
    • Biblioteca Pandas
      • Series
      • DataFrame
      • Index
      • Datasets
      • Datasets com db.py
      • Datasets com CSV / Excel
      • Filtro em um DataFrame
      • Dados Categóricos
      • Dados perdidos em um dataset
      • Operações de agregação e agrupamento
      • Joins
      • Pivot tables
      • Visualização com matplotlib
      • Series Temporais
    • Biblioteca Matplotlib
      • Gráficos
      • Barra
      • Linha
      •  Dispersão
      • Seaborn
      • Customizando
      • Histograma e Gráfico de Pizza
    • Regressão Linear
      • Linear simples
      • Entendo o método dos mínimos quadrados
  • Machine learning

 

  •  
    • Naive Bayes
      • Introdução
      • Classificação
      • Correlação de laplaciana
      • Naive Bayes – scikit-learn
      • Naive Bayes – Iris dataset
      • Naive Bayes – credit dataset
      • Naive Bayes

 

  •  
    • Aprendizado baseado em arvores (Tree)
      • Introdução
      • Conceito
      • Arvores com scikit-learn
      • Arvores com scikit-learn Iris dataset
      • Random Forest
      • Random Forest scikit-learn

 

  •  
    • Maquina de vetor de suporte (SVM)

 

  •  
    •  
      • Introdução
      • Conceito
      • Linear x não linear
      • SVM scikit-learn
      • SVM scikit-learn Iris dataset
      • SVM credit dataset

 

  •  
    • Aprendizado baseado em instancia (KNN)

 

  •  
    •  
      • Introdução ao KNN
      • Funcionamento
      • Calculando a distância euclidiana
      • Distancia euclidiana e distancia Manhattan
      • Determinação da classe
      • Vantagens e desvantagens
      • Implementação do KNN – python
      • Implementação do KNN - sklearn
      • Implementação do KNN – sklearn e NumPy
      • Utilizando o model selection e score
      • KNN com sklearn – Dataset Iris
        • KNN - Regressão
        • Introdução a Regressão com KNN
        • Implementação da Regressão com KNN
        • Regressão com sklearn
        • Erro quadrático médio
        • Regressão em um datasets
    • Apriori (Aprendizagem não supervisionada)
      •  
        • Introdução
        • Conceito
        • Suporte, confiança e lift
        • Regras de associação
        • Regras de associação base de compras

 

  •  
    • Agrupamento (k-means)
      • Introdução
      • Calculo da distancia
      • Inicialização
      • Iris dataset

 

 

  • Deep learning
    • Redes Neurais
      • Conceito
      • Pratica
      • Exemplos
    • Redes neurais artificiais
      • Conceito
      • Prática
      • Exemplos
    • Conhecendo a rede perceptron
      • Processo de treinamento em perceptron
      • Algoritmo de treinamento em perceptron
      • Implementação da perceptron
      • Camadas ocultas
      • Calculo do erro, pesos, e bias.
      • Backpropagation, taxa de aprendizagem e momento
      • Ajustes dos pesos
      • Redes com pybrain
      • Redes scikit-learn
      • Redes scikit-learn Iris dataset

 

 

 

o   Linguagem R

·         Baixando e configurando o R

§  RStudio

·         Introdução ao R

§  Vetores

§  Matrizes

§  Arrays

§  Data frames

§  Listas

§  Funções

·         Importação de dados

§  Arquivos de texto

§  Csv

§  Acessando banco de dados

§  Executando rotinas

 

o   Introdução a Estatística

·         Amostragem

·         Medidas de Centralidade e Variabilidade

·         Probabilidade

·         Distribuição Binomial

·         Distribuição Normal

·         Distribuição de Poisson

·         Intervalos de Confiança

·         Testes de Hipótese

·         Distribuição t de Student

·         Anova

·         Qui Quadrado

 

o   Introdução a Regressão Linear

·         Correlação

·         Regressão Linear - Previsão

·         Regressão Linear – Residual

·         Outliers e Extrapolação

·         Regressão múltipla

·         Cálculos e fórmulas

·         Regressão logística

o   Series Temporais

·         Introdução

·         Componentes de Uma Serie Temporal

·         Decomposição

·         Previsão

 

o   Machine Learning

·         Classificação com naive Bayes

·         Arvore decisão rpart

·         Aprendizado baseado em instancia (KNN)

·         Agrupamentos

·         Regra de associação

·         Regra de associação com apriori

·         Regras de associação com Eclad

o   Gráficos e dashboards

·         Histograma

·         Densidade

·         Dispersão

·         Dispersão com legendas

·         Split da tela

·         Boxplot

·         Usando lattice

·         Gráfico 3D com lattice

·          

 

o   Redes Neurais e Deep Learning

·         Deep Learning

§  Conceito

§  Pratica

§  Exemplos

·         Redes neurais artificiais

§  Conceito

§  Prática

§  Exemplos

·         Conhecendo a rede perceptron

·         Processo de treinamento em perceptron

·         Algoritmo de treinamento em perceptron

·         Implementação da perceptron

·         Redes neurais com sklearn

o   Mineração de texto

·         Introdução

·         Conceito

·         Criação do corpus

·         Geração da nuvem de palavras

·         Matriz de freqüência

o   Finalização e definição de projeto

·         Escolha do dataset do projeto

·         Pode ser aplicado no mundo real

·         Aplicar suposições

·         Gráficos

·         KNN

·         Apresentação e conclusão do curso