Exploração de Dados X

Ativação

Inicializa uma visão hierárquica (Treeview) a partir do registro corrente

Ajuda X

CURSO
Título	Machine Learning: Teoria e Prática
Unidade	FACULDADE DE TECNOLOGIA
Departamento	DEPARTAMENTO DE MATEMATICA, FÍSICA E COMPUTAÇÃO
Modalidade	Treinamento e Qualificação Profissional
Carga Horária do Curso	40
Objetivos	O objetivo deste curso é introduzir os conceitos teóricos e práticos de machine learning e estatística aplicada até o nível intermediário. O nosso foco neste curso é aprender os métodos tradicionais de machine learning e criar modelos preditivos baseado em dados. Pre-requisitos: conhecimento básico em uma linguagem de programação (Ex: Python). Noção básica de estatística, cálculo e álgebra linear.
Conteúdo Programático	+Revisão do ecossistema da linguagem de programação. Ex: para Python - Biblioteca Numpy - Biblioteca Pandas - Biblioteca Matplotlib e Plotly ++Estatística Aplicada +Estatística descritiva - Tipo de variaveis - Medidas de tendencia central - Medidas de variabilidade - Coeficiente de variancia +Estatitica Inferencial - Distribuição Normal e t-Student - Hipotese de teste - Teorema do limite central - Intervalo de confiança - Teste t e p-value +Análise exploratória de dados - Visualização de dados - Análise de valores faltantes - Matriz de correlação e coeficiente de determinação (R²) - Correlação e causação - Análise de anomalias ++Aprendizado de máquina - Modelos paramétricos e não-paramétricos - Normalização e padronização - Dados categoricos - Função de perda (Loss Function) - Regularização - Ajuste de hiperparâmetros +Aprendizado de máquina supervisionado - Regressão linear e logística - Perceptron e redes neurais - Máquina de suporte vetorial: kernel trick - Árvores de decisão e Random Forest - Bagging e Boosting: Ensemble learning +Aprendizado de máquina não-supervisionado - Agrupamento k-means - Agrupamento hierárquico - Agrupamento baseado em densidade - Redução dimensional: PCA e ICA
Metodologia	O objetivo deste curso é estimular os alunos a um equilíbrio de diversas etapas no desenvolvimento de modelos preditivos, conciliando a aplicação dos conceitos matemáticos, com a implementação de algoritmos e finalizando através da aplicação em problemas reais. Para alcançar esse objetivo, será adotada a metodologia ativa nas aulas, ou seja, o aluno irá implementar as ideias junto com o professor. Nessa forma, o aluno desenvolverá melhor a percepção nos detalhes dos algoritmos e as técnicas de modelagem preditivas. Após a construção da fundamentação matemática de cada modelo de decisão, serão apresentadas as bibliotecas gratuitas disponíveis na “web” para modelagem, utilizando linguagens como exemplo: Python, Julia ou R para implementar os algoritmos. Entender o funcionamento de um algoritmo é muito importante para saber onde e como usar, e quais são as suas vantagens e desvantagens. A proposta será iniciar a qualificação construindo modelos para datasets simples e evoluindo gradativamente para modelos mais sofisticados e complexos. Em paralelo ao desenvolvimento do curso, será apresentado aos alunos a plataforma “Kaggle”, por ser uma referência no mundo de machine learning, esta plataforma auxiliará os estudantes a buscar novos bancos de dados, além de participar de campeonatos e desafios, incentivando a continuidade da aprendizagem, e encerrando a proposta de aplicação, como planejado. AVALIAÇÃO: Para avaliar o conhecimento dos alunos, será exigido a entrega individual de um estudo final. Nesta atividade o aluno deverá utilizar as técnicas estudadas durante o curso para construir modelos preditivos com base em um modelo de dataset escolhido. A presença nas aulas também será obrigatória e será considerada na avaliação final. Para avaliação do docente e do curso, será distribuído um formulário eletrônico no final do curso para que os alunos possam opinar sobre a metodologia, o conteúdo das aulas e a didática do professor, além de sugestões.