Machine Learning

Curso de Machine Learning da LEAD

O objetivo é conhecer as principais técnicas de Aprendizado de Máquina (Machine Learning) e saber como utilizá-las, construindo modelos que extraem informação a partir de dados dos mais diferentes tipos. Foi utilizado .

ipynb

• fruit_data_with_colors_analise.ipynb
  • Introdução à Análise de Dados com Python.
    • Demonstração da leitura de arquivos em modo texto.
    • Demonstração da tabela e informações básicas.
  • Análise Estatística de um Conjunto de Dados.
    • Demonstração das estatísticas do conjunto de dados.
    • Demonstração da manipulação de linhas e colunas.
  • Análise e Visualização de um Conjunto de Dados.
    • Demonstração do balanceamento dos dados.
    • Demonstração da visualização de gráficos.
    • Finalização da demonstração da funcionalidade básica de um notebook Jupyter.
• fruit_data_with_colors_miss_analise.ipynb
  • Introdução ao Pré-processamento de Dados com Python.
    • Demonstração da leitura de arquivos em modo texto com valores faltantes (missing values).
    • Demonstração da tabela e informações básicas com valores faltantes.
  • Imputando Valores Faltantes.
    • Tratar os dados de modo que os valores faltantes passem a não existirem.
  • Eliminação de Colunas.
    • Demonstração de eliminação de coluna quando a imputação de dados se mostrar ineficiente por serem muitos dados faltantes.
  • Transformando a escala dos dados.
    • Transformar a escala dos dados para deixar os dados com importâncias iguais.
  • Encontrando outliers
    • Demonstrar como encontrar os dados discrepantes, elementos que possuem uma de suas características fora de um padrão.
• regressao_para_prever_venda_sorvetes.ipynb
  • Introdução a Regressão.
    • Criação de um DataFrame com arrays do numpy.
    • Demonstração de separação de variável independente e variável dependente.
    • Demonstração de treinamento de modelo usando regressão linear.
    • Demonstração e plot de previsão.
• car_data_regressao_linear_multipla.ipynb
  • Regressão Linear Múltipla.
    • Utilizar a biblioteca scikit-learn para construir um modelo de previsão de preço, usando regressão linear múltipla. Para isso será utilizado um conjunto de dados de carros usados listados pelo site www.cardekho.com e disponível em https://www.kaggle.com/nehalbirla/vehicle-dataset-from-cardekho e adaptado neste notebook.
• fruit_data_with_colors_KNN and_boston_house_prices_KNN.ipynb
  • Introdução ao KNN.
    • Exemplificar a distância Euclidiana.
    • Demonstração do KNN para classificação usando fruit_data_with_colors.
    • Demonstração de pré-processamento de dados para o KNN.
    • Demonstração do KNN para regressão usando load_boston.
• arvore_de_decisao.ipynb
  • Introdução às árvores de decisão.
    • Implementando as árvores de decisão.
    • Selecionando features com árvores de decisão.

Conteúdo Programático

• 1.Introdução a machine learning
  • Descrever fundamentos e conceitos de Aprendizado de Máquina, tais como as diferentes tarefas sobre dados.
• 2.Modelos de aprendizado de máquina
  • Descrever os principais modelos de Aprendizado de Máquina, tais como a sua utilidade diante de diversos tipos de dados.
• 3.Clusterização e modelos
  • Definir o conceito e o algoritmo de clusterização e K-Means.
• 4.Avaliação de modelos
  • Aprender técnicas de como avaliar um modelo segundo os conceitos de underfitting e overfitting.
• 5.Introdução às redes neurais
  • Descrever as principais arquiteturas de Redes Neurais, tal como a sua implementação a partir do .
• 6.Tópicos avançados
  • Estudar modelos e análises mais avançadas em Aprendizado de Máquina.