Aprendizagem de Máquina
Carga horária: 133h20min
Unidades Curriculares
- I - Fundamentos de Aprendizado de Máquina — 26h20min
- II - Modelos, Algoritmos e Estimadores — 80h
- III - Preparação de Dados e Otimização — 13h20min
- IV - Projeto de Aprendizagem de Máquina — 13h20min
Voltar para 3B Ciência de Dados
Aprendizado de Máquina
Aprendizado de Máquina
Material introdutório sobre Machine Learning.
Cada semana apresenta aulas e um exercício para fixação.
Semana 1 — Introdução ao Aprendizado de Máquina
- Aula 1: Conceitos básicos de aprendizado de máquina
- Aula 2: Tipos de aprendizado em aprendizado de máquina
- Aula 3: Aplicações práticas de aprendizado de máquina
- Aula 4: Exercícios de fixação
Exercício: Cite três aplicações reais de Machine Learning.
Semana 2 — Modelos Supervisionados
- Aula 1: Introdução à regressão
- Aula 2: Introdução à classificação
- Aula 3: Aplicações práticas
- Aula 4: Exercícios
Exercício: Explique a diferença entre regressão e classificação.
Semana 3 — Modelos Não Supervisionados
- Aula 1: Introdução à clusterização
- Aula 2: Redução de dimensionalidade
- Aula 3: Aplicações práticas
- Aula 4: Exercícios
Semana 4 — Avaliação de Modelos
- Aula 1: Métricas de desempenho
- Aula 2: Validação cruzada
- Aula 3: Comparação de modelos
- Aula 4: Exercícios
Semana 5 — Regressão Linear
- Aula 1: Conceito de regressão linear
- Aula 2: Implementação
- Aula 3: Aplicações práticas
- Aula 4: Exercícios
Semana 6 — Regressão Linear Avançada
- Aula 1: Avaliação do modelo
- Aula 2: Melhoria dos modelos
- Aula 3: Aplicações práticas
- Aula 4: Exercícios
Semana 7 — Projeto de Machine Learning
- Aula 1: Definição do projeto
- Aula 2: Desenvolvimento
- Aula 3: Avaliação
- Aula 4: Apresentação
Semana 8 — Regressão Logística
- Aula 1: Introdução à regressão logística
- Aula 2: Estimadores
- Aula 3: Aplicações práticas
- Aula 4: Exercícios
Semana 9 — Regressão Logística Avançada
- Aula 1: Multiclasse
- Aula 2: Função sigmoide
- Aula 3: Avaliação do modelo
- Aula 4: Exercícios
Semana 10 — Árvores de Decisão
- Aula 1: Introdução
- Aula 2: Critérios de divisão
- Aula 3: Podas
- Aula 4: Exercícios
Semana 11 — Árvores de Decisão Avançadas
- Aula 1: Overfitting e underfitting
- Aula 2: Visualização de árvores
- Aula 3: Aplicações
- Aula 4: Exercícios
Semana 12 — Random Forest
- Aula 1: Introdução
- Aula 2: Hiperparâmetros
- Aula 3: Aplicações
- Aula 4: Exercícios
Semana 13 — Modelos Ensemble
- Aula 1: Introdução
- Aula 2: Random Forest
- Aula 3: Gradient Boosting
- Aula 4: Exercícios
Semana 14 — Projeto de Machine Learning
- Aula 1: Implementação
- Aula 2: Avaliação
- Aula 3: Otimização
- Aula 4: Exercícios
Semana 15 — K-Nearest Neighbors (KNN)
- Aula 1: Introdução
- Aula 2: Hiperparâmetros
- Aula 3: Aplicações
- Aula 4: Exercícios
Semana 16 — Support Vector Machine (SVM)
- Aula 1: Introdução
- Aula 2: Kernel Trick
- Aula 3: Aplicações
- Aula 4: Exercícios
Semana 17 — SVM Avançado
- Aula 1: Hiperparâmetros
- Aula 2: Regularização
- Aula 3: Avaliação
- Aula 4: Exercícios
Semana 18 — Naive Bayes
- Aula 1: Teorema de Bayes
- Aula 2: Fundamentos
- Aula 3: Implementação
- Aula 4: Exercícios
Semana 19 — Otimização
- Aula 1: Introdução
- Aula 2: Hiperparâmetros
- Aula 3: Algoritmos
- Aula 4: Exercícios
Semana 20 — Feature Engineering
- Aula 1: Introdução
- Aula 2: Criação de features
- Aula 3: Seleção de features
- Aula 4: Exercícios
Semana 21 — Projeto de Machine Learning
- Aula 1: Análise exploratória
- Aula 2: Implementação
- Aula 3: Avaliação
- Aula 4: Exercícios
Semana 22 — K-Means
- Aula 1: Introdução
- Aula 2: Hiperparâmetros
- Aula 3: Aplicações
- Aula 4: Exercícios
Semana 23 — DBSCAN
- Aula 1: Introdução
- Aula 2: Hiperparâmetros
- Aula 3: Aplicações
- Aula 4: Exercícios
Semana 24 — Hierarchical Clustering
- Aula 1: Introdução
- Aula 2: Hiperparâmetros
- Aula 3: Aplicações
- Aula 4: Exercícios
Semana 25 — PCA
- Aula 1: Introdução ao PCA
- Aula 2: Redução de dimensionalidade
- Aula 3: Aplicações
- Aula 4: Exercícios
Semana 26 — Pipelines
- Aula 1: Introdução
- Aula 2: Construção de pipelines
- Aula 3: Aplicações
-
Semana 27 — Revisão
- Aula 1: Revisão regressão linear
- Aula 2: Revisão regressão logística
- Aula 3: Revisão árvores de decisão
- Aula 4: Revisão ensemble
Semana 28 — Projeto Final
- Aula 1: Finalização do projeto
- Aula 2: Avaliação final
- Aula 3: Apresentação dos resultados
- Aula 4: Reflexão e feedback
Laboratório de Computação
Material educacional aberto para estudo.
Os alunos podem baixar, modificar e experimentar os códigos.