Curso: Machine Learning
Carga Horária: 40h
Modalidade: Autoinstrucional
Conteudista: Anderson Ara
Pré-Requisitos: Recomenda-se que o cursista tenha conhecimentos em fundamentos de estatística e em R intermediário.
Objetivos: Proporcionar ao(à) aluno(a) conhecimento teórico e prático referente aos principais métodos de aprendizado de máquina não supervisionados e supervisionados. Habilitar o(a) aluno(a) a utilizar o software R e/ou Python para implementação de algoritmos de aprendizado de máquina.
Ao final do curso o participante deverá demonstrar capacidade para realizar tarefas, tais como: análise de agrupamento e redução de dimensionalidade, regressão e classificação.
Conceitos iniciais, Histórico e Aplicações;
Análise de agrupamentos: k-médias;
Definição, algoritmo, avaliação da escolha do número de
grupos;
Redução de dimensionalidade: PCA e t-SNE;
Definição. Métodos de análise de componentes principais e
incorporação de vizinho estocástico distribuído em T;
Diferenças entre os métodos;
Classificação: Regressão Logística;
Introdução à Classificação. Modelo de Regressão Logística;
Medidas de Desempenho. Métodos de Validação;
Classificação: KNN e Árvores de Decisão;
Algoritmos KNN, ID3 e C4.5. Tunagem;
Classificação: Redes Neurais;
Origem. Perceptron e Multilayer Perceptron. Gradiente;
Estocástico. Backpropagation;
Regressão: Regressão Linear;
Introdução à Regressão. Modelo de Regressão Múltipla e
Regressão Polinomial;
Regressão: CART;
Árvores de Regressão e Classificação;
Regressão: KNN e Redes Neurais;
Adaptação KNN e Redes Neurais para regressão;
Métodos ensemble: Florestas Aleatórias;
Bagging. Florestas Aleatórias. Tunagem;