Python para aprendizado de máquina - curso RUB 49.990. de Especialista, treinamento, Data: 27 de novembro de 2023.

O curso se concentra no uso de Python para tecnologias de aprendizado de máquina. São estudadas as principais bibliotecas utilizadas em aprendizado de máquina e métodos para utilizá-las.
O curso é ministrado com base nas bibliotecas de aprendizado de máquina Scikit-Learn e TensorFlow. Durante o processo de aprendizagem, as ferramentas de desenvolvimento Jupyter Notebook e Jupyter-Lab são utilizadas ativamente. Também são utilizados recursos de computação em nuvem do Google Colab.
O curso é recomendado para programadores Python e especialistas em ciência de dados.

Você vai aprender:
aplicar tecnologias de aprendizado de máquina;
usar modelos de classificação, regressão e agrupamento;
usar métodos de pré-processamento de dados e coberturas de aprendizado de máquina;
selecione modelos de aprendizado de máquina com base na qualidade de seu trabalho;
aprofunde seu conhecimento em Python, domine ferramentas modernas para desenvolver modelos de aprendizado de máquina.

Módulo 1. Declaração do problema de aprendizado de máquina (2 ac. h.)

Três tipos de aprendizado de máquina.
Esquema para construção de sistemas de aprendizado de máquina.
Ferramentas necessárias.
Pratique a criação de um ambiente de trabalho e o uso do Anaconda e do Jupyter Notebook.
Módulo 2. Treinamento com professor. Problema de classificação (6 ak. h.)
O conceito de rede neural.
Perceptron. Definição, implementação e treinamento.
Neurônio linear adaptativo. Definição, implementação e treinamento.
Método de gradiente descendente.
Descida gradiente estocástica em um neurônio linear adaptativo.
Aprendizagem dinâmica em big data.
Pratique com modelos e conjuntos de dados Scikit-Learn.
Pratique no Jupyter Notebook.
Módulo 3. A biblioteca scikit-learn, suas principais características (6 ac. h.)
Treinamento Perceptron.
Método de regressão logística.
Máquina de vetores de suporte.
O método dos k-vizinhos mais próximos.
Árvores de decisão.
Um conjunto de árvores arbitrárias.
Pratique no Jupyter Notebook.
Módulo 4. Treinamento com professor. Problema de regressão (6 ak. h.)
Treinamento com professor. Problema de regressão.
Regressão linear.
Método dos mínimos quadrados.
Método de gradiente descendente.
Trabalhando com emissões. Algoritmo RANSAC().
Técnica Bootstrap para coeficientes de regressão.
Avaliação da qualidade do modelo de regressão.
Noções básicas de regressão não linear.
Pratique no Jupyter Notebook.
Módulo 5. Pré-processamento de dados, seleção de funcionalidades e modelos (6 ac. h.)
Tratamento de dados ausentes.
Categorias de processamento.
Modelos de pré-processamento e treinamento.
Seleção de recursos significativos.
Explorando recursos significativos usando florestas aleatórias.
Pipelines de aprendizado de máquina.
Validação cruzada e seleção de modelos.
Pratique no Jupyter Notebook.
Módulo 6. Aprendendo sem professor. Análise de cluster (6 ac. h.)
Método K-médias.
Análise do componente principal.
Análise discriminante linear.
Agrupamento hierárquico.
Agrupamento por densidade.
Pratique no Jupyter Notebook.
Módulo 7. Fundamentos da aprendizagem profunda (8 ac. h.)
Gráficos e computação distribuída.
Instalando o Tensorflow.
Tensores.
Conjuntos de dados.
Interface de aplicativo (API) Keras.
Regressão linear com descida gradiente estocástica.
Classificação por rede neural de duas camadas de dados Iris.
Funções de ativação de camadas de neurônios.
Classificação de dados MNIST.
Pratique no Google Colab.