- DISPONIBILIDADE: Disponível
- Autor: DidáticaTech
- Código: 4110629
Conceitos básicos
1) Introdução a Machine Learning e IA
2) Viés e variância de modelos (teoria)
3) Visão geral dos algoritmos de machine learning
Regressão Linear
4) Regressão linear (conceito + matemática: o que o algoritmo faz debaixo dos panos)
5) Regressão linear (aplicação prática em Python: resolvendo um problema – Parte I)
6) Regressão linear (aplicação prática em Python: resolvendo um problema – Parte II)
7) Regressão linear (apresentação do exercício)
8) Regressão linear (solução do exercício)
9) Random State na divisão entre treino e teste
Pré-processamento
10) Pré-processamento: adequação dos tipos de dados (int, float, str…)
11) Pré-processamento: dados missing
12) Pré-processamento (exercício & solução)
13) Feature selection: correlação
14) Correlação (exercício & solução)
Outros Modelos de Regressão Linear
15) Ridge regression (conceito + matemática: o que o algoritmo faz debaixo dos panos)
16) Ridge regression (aplicação prática em Python: resolvendo um problema)
17) Regularização L1, L2 e regressão Lasso
18) Lasso regression (aplicação prática em Python: resolvendo um problema)
19) Elastic net (conceito + matemática: o que o algoritmo faz debaixo dos panos)
20) Elastic net (aplicação prática em Python: resolvendo um problema)
21) Comparando diferentes modelos em um único código
22) Escolha de um modelo de regressão (apresentação do exercício)
23) Escolha de um modelo de regressão (solução do exercício)
Validação Cruzada e Ajuste Fino dos Parâmetros
24) Validação cruzada Kfold (teoria: o que o algoritmo faz debaixo dos panos)
25) Validação cruzada Kfold (aplicação prática em Python)
26) Validação cruzada Kfold (solução do exercício)
27) Validação cruzada StratifiedKFold (teoria)
28) Como calibrar os parâmetros para aumentar a performance de um modelo
29) Função Randomized Search (teoria e aplicação prática em Python)
30) Função GridsearchCV (teoria e aplicação prática em Python)
Regressão Logística
31) Regressão logística (conceito + matemática: o que o algoritmo faz debaixo dos panos)
32) Regressão logística (aplicação prática em Python: resolvendo um problema)
33) Regressão logística (ajuste fino de parâmetros)
34) Regressão logística (apresentação do exercício)
35) Regressão logística (solução do exercício)
Confusion Matrix e Normalização
36) Medição de desempenho Confusion Matrix (teoria e prática)
37) Medição de desempenho ROC/AUC (conceito + matemática: o que o algoritmo faz debaixo dos panos)
38) Medição de desempenho ROC/AUC (aplicação prática em Python)
39) Pré-processamento: normalizando dados em Python (utilizando as funções Normalizer, MinMaxScaler, StandardScaler, MaxAbsScaler)
KNN
40) KNN (conceito + matemática: o que o algoritmo faz debaixo dos panos)
41) KNN (aplicação prática em Python: resolvendo um problema)
42) KNN (ajuste fino de parâmetros)
43) KNN (apresentação do exercício)
44) KNN (resolução do exercício)
Naive Bayes
45) Teorema de Bayes (conceito teórico)
46) GaussianNB, MultinomialNB, BernoulliNB (o que os algoritmos Naive Bayes fazem debaixo dos panos)
47) Suavização de Laplace
48) Naive Bayes (aplicação prática em Python: resolvendo um problema)
49) Naive Bayes (apresentação do exercício)
50) Naive Bayes (solução do exercício)
Decision Trees
51) Decision Trees (conceito + matemática: o que o algoritmo faz debaixo dos panos) – Parte 1: entropia
52) Decision Trees (conceito + matemática: o que o algoritmo faz debaixo dos panos) – Parte 2: índice GINI
53) Decision Trees: evitando overfitting
54) Decision Trees (conceito + matemática: o que o algoritmo faz debaixo dos panos) – Parte 3: regressão
55) Decision Trees (conceito + matemática: o que o algoritmo faz debaixo dos panos) – Parte 4: a escolha do melhor split com algoritmos CART eC4.5
56) Decision Trees Classifier (aplicação prática em Python: resolvendo um problema)
57) Decision Trees Classifier (mostrando a árvore com graphviz)
58) Decision Trees Classifier (ajustando os parâmetros)
59) Decision Trees Regressor (aplicação prática em Python: resolvendo um problema)
60) Decision Trees Regressor (ajustando os parâmetros)
61) Decision Trees (apresentação do exercício)
62) Decision Trees (resolução do exercício)
63) Escolhendo outros tipos de scoring
Feature Selection
64) Pré-processamento: one hot encoding e concatenação
65) Pré-processamento: outliers
66) Feature selection: qui-quadrado (conceito + matemática: o que o algoritmo faz debaixo dos panos)
67) Feature selection: qui-quadrado (aplicação prática em Python)
68) Feature selection: f_classif (conceito + matemática: o que o algoritmo faz debaixo dos panos)
69) Feature selection: f_classif (aplicação prática em Python)
70) Feature selection: eliminação recursiva (aplicação prática em Python)
71) Como acelerar o processamento de um algoritmo no seu computador
Testando seus conhecimentos
72) Apresentando o exercício prático final
73) Solução do exercício prático final
74) Bônus
75) Teste dos seus conhecimentos teóricos
Informação do curso | |
Ano | 2022 |
Tamanho do Arquivo | 61.80 GB |
Idioma | Português (Brasil) |