LCC - Formação Machine Learning

ENTRAR MATRICULE-SE
TODOS OS PARA COMO

FORMAÇÕES
CURSOS EMPRESAS FUNCIONA
Curso de
Machine Learning: Introdução a classificação com SKLearn
9,2 5.594
Nota desse curso Alunos neste curso
Faz parte dos cursos de Machine Learning em Data Science Perguntas frequentes
Faça esse curso de Machine Learning e:

Aplique machine learning na sua empresa
Pratique com diversos exemplos
Veja como algoritmos de classi cação estão por todos os lados no nosso dia a dia
Analise resultados com a mente de um cientista de dados
Compare o resultado de algoritmos lineares e não lineares

Entenda por trás dos panos o que é o tal do aprendizado de máquina para classi cação
Faça estudos replicáveis, com estratégias de testes
Veja Support Vector Machines, Árvores de Decisão e Dummy Classi ers
Conteúdo Detalhado
1. Introdução à classi cação
Introdução
O primeiro projeto
Primeiro treino e teste de um modelo de classi cação
Padronização de nomes
2. Testes replicáveis, estrati cação e lendo dados da internet
3. Um projeto de baixa dimensionalidade e o baseline
4. Support Vector Machine e a não linearidade
5. Dummy classi ers e árvore de decisão
PRIMEIRA AULA DE MACHINE LEARNING: INTRODUÇÃO A CLASSIFICAÇÃO COM SKLEARN

0:00 / 2:57
UM POUCO MAIS DO CONTEÚDO
Descubra se esse curso é pra você lendo as primeiras aulas de

Machine Learning: Introdução a classi cação com SKLearn
INSTRUTORES
Guilherme Silveira
Linkedin
Guilherme co-fundou a Caelum, a Alura e o GUJ. Com mais de 15 anos de experiência no ensino de programação e
habilidades digitais, coordena as equipes de produção de cursos na Alura. É tecnólogo com viés matemático e
medalhista de ouro em competições nacionais de computação, representando o Brasil nos mundiais. Participante
ativo da comunidade open source e de educação em tecnologia, autor de 7 livros da área.
CONTEÚDO RELACIONADO
Cursos de Machine Learning em Data Science

Leia nossos artigos de Data Science
FORMAÇÃO COM ESSE CURSO
Machine Learning
PÚBLICO ALVO
Quem deseja aprender machine learning ou classi cação
NÍVEL DE DIFICULDADE
ENTRAR MATRICULE-SE
TODOS OS PARA COMO

FORMAÇÕES
Curso de
Machine Learning: Introdução a algoritmos não supervisionados
8,6 2.030

Veja o que é um algoritmo não supervisionado
Como agrupar seus dados e gerar rótulos para eles
Como extrair os dummies de um dataset

Como otimizar os parâmetros do K-Means
Conhecer os tipos de agrupamentos

Como reduzir as dimensões de um data frame para visualizar em um grá co
Conteúdo Detalhado
1. conhecendo os dados
Introdução
Preparando o ambiente
Conhecendo o dataset
Extraindo os dummies
Pegando os Dummies
Escalando os dados
Mãos à obra!
Projeto atual
O que aprendemos?
2. começando a agrupar
3. vendo os centroides
4. escolhendo o numero de grupos

5. agrupamento hierárquico
PRIMEIRA AULA DE MACHINE LEARNING: INTRODUÇÃO A ALGORITMOS NÃO SUPERVISIONADOS
0:00 / 2:29

Machine Learning: Introdução a algoritmos não supervisionados
INSTRUTORES
Yuri Matheus
Linkedin
Yuri é desenvolvedor e instrutor. É estudante de Sistemas de Informação na FIAP e formado como Técnico em
Informática no Senac SP. O seu foco é nas plataformas Java e Python e em outras áreas como Arquitetura de
Software e Machine Learning. Yuri também atua como editor de conteúdo no blog da Alura, onde escreve,
principalmente, sobre Redes, Docker, Linux, Java e Python.

Machine Learning
ENTRAR MATRICULE-SE
TODOS OS PARA COMO

FORMAÇÕES
Curso de
Linguagem Natural parte 1: Introdução a NLP com análise de
sentimento
8,6 1.760

Aprenda conceitos fundamentais do Processamento de Linguagem Natural.
Realize Análise de Sentimento de modo automatizado.
Uma arquitetura para classi cação de sentimentos.
Como criar visualizações para facilitar a análise de dados textuais.

Comece a utilizar o NLTK uma das principais bibliotecas python para PLN.
Aprenda boas práticas voltadas ao PLN.
Conteúdo Detalhado
1. Explorando e vetorizando dados textuais
Buscando e Analisando os Dados
Padronizando a classi cação e veri cando o balanceamento
Um método para vetorizar textos
Bag of Words em Python
2. Classi cando sentimentos: um passo a passo
3. Visualizando os dados com WordCloud
4. Tokenização com NLTK para criar uma nova visualização
5. Criando funções para um pipeline de otimização
PRIMEIRA AULA DE LINGUAGEM NATURAL PARTE 1: INTRODUÇÃO A NLP COM ANÁLISE DE

SENTIMENTO
0:00 / 2:00

Linguagem Natural parte 1: Introdução a NLP com análise de sentimento
INSTRUTORES
Thiago G Santos
Linkedin
Um quase físico, apaixonado por dados e educação. Atuou durante alguns anos na área de Data Science na maior
fabricante de eletrodomésticos do mundo e trabalhou em projetos de Processamento de Linguagem Natural para
a Petrobrás. Atualmente dedica-se à aplicação de machine learning na área da educação e na democratização do
acesso ao ensino de Data Science no Brasil.

Machine Learning
PÚBLICO ALVO
Desenvolvedores com interesse em criar aplicações que envolvam interpretação da linguagem humana ou para
pessoas com interesse em machine learning e inteligência arti cial que querem iniciar a jornada por um dos
maiores desa os da computação: o Processamento de Linguagem Natural.
ENTRAR MATRICULE-SE
TODOS OS PARA COMO

FORMAÇÕES
Curso de
Linguagem Natural parte 2: Continuando com a análise de
sentimento
8,8 1.054

Aprenda conceitos do Processamento de Linguagem Natural.
Realize Análise de Sentimento de modo automatizado.
Melhore os resultados de classi cação normalizando os textos.
Aprenda como usar TF-IDF e Ngrams para melhorar a classi cação.

Como a normalização dos textos melhora a visualização dos dados textuais.
Avance na utilização da biblioteca NLTK.
Aprenda a utilizar recursos do SKlearn para otimizar a classi cação.
Conteúdo Detalhado
1. Otimizando a análise: o primeiro passo
Introdução
Explorando outras formas de tokenização
Diferenciando pareto e Word Clouds
2. Melhorando a visualização
3. Normalização de textos
4. Evitando exões e derivações nas palavras
5. TF-IDF e Ngrams: técnicas mais avançadas
PRIMEIRA AULA DE LINGUAGEM NATURAL PARTE 2: CONTINUANDO COM A ANÁLISE DE SENTIMENTO

0:00 / 2:56

Linguagem Natural parte 2: Continuando com a análise de sentimento
INSTRUTORES
Thiago G Santos
Linkedin
Um quase físico, apaixonado por dados e educação. Atuou durante alguns anos na área de Data Science na maior
fabricante de eletrodomésticos do mundo e trabalhou em projetos de Processamento de Linguagem Natural para
a Petrobrás. Atualmente dedica-se à aplicação de machine learning na área da educação e na democratização do
acesso ao ensino de Data Science no Brasil.

Machine Learning
PÚBLICO ALVO
Esse curso é voltado para desenvolvedores com interesse em criar aplicações que envolvam interpretação da
linguagem humana ou para pessoas com interesse em machine learning e inteligência arti cial que querem iniciar a
jornada por um dos maiores desa os da computação: o Processamento de Linguagem Natural.
ENTRAR MATRICULE-SE
TODOS OS PARA COMO

FORMAÇÕES
Curso de
Deep Learning parte 1: Introdução com Keras
9,1 1.946

Aprenda conceitos essenciais de Deep Learning na prática.
Construa e treine um modelo com Keras e Tensor ow.
Saiba como selecionar as camadas de um modelo.

Avalie a performance do modelo e melhore seus resultados.
Aplique Deep Learning para classi car imagens.
Conteúdo Detalhado
1. Conhecendo o conjunto de dados
Carregando o dataset
Entendendo as imagens
2. Começando a montar o modelo
3. Adicionando camadas ocultas
4. Ensinando o modelo
5. Sabendo como medir o resultado do modelo
6. Ajustando e salvando o modelo
7. Revisando conceitos chave
PRIMEIRA AULA DE DEEP LEARNING PARTE 1: INTRODUÇÃO COM KERAS

0:00 / 2:50

Deep Learning parte 1: Introdução com Keras
INSTRUTORES
Cássia Sampaio
Linkedin
Cássia é cientista de dados, instrutora e expert em Inteligência Arti cial. Tem mestrado em Fundamentos da
Matemática e há mais de 5 anos desenvolve projetos com IA. Participa ativamente da comunidade, fez parte do
MIT Global Startup Labs, deu aula nas Pyladies SP e atuou como mentora em eventos como BlueHack, Women
Techmakers Health Tech Weekend e AngelHack.

Machine Learning
PÚBLICO ALVO
Quem quer se familiarizar com conceitos básicos de Deep Learning.
Básico
ENTRAR MATRICULE-SE
TODOS OS PARA COMO

FORMAÇÕES
Curso de
Machine Learning: Intro a sistemas de recomendação em Python
9,1 940

Pense em heurísticas e algoritmos
Gere recomendações baseadas em similaridade de usuários
Crie sistemas baseados em ltros colaborativos

Recomende baseado em modelos de itens e usuários
Implemente K-Nearest-Neighbours do zero

Entenda os desa os de recomendação
Conteúdo Detalhado
1. Heurísticas de recomendação
Introdução
Heurística de recomendação e entendendo o que é colaboração
Total de votos, nota média e possíveis di culdades de heurísticas simples
2. Sistemas de recomendacao
3. Distância entre usuários
4. Usuários mais próximos
5. Gerando recomendações com KNN
6. Próximos passos
PRIMEIRA AULA DE MACHINE LEARNING: INTRO A SISTEMAS DE RECOMENDAÇÃO EM PYTHON

0:00 / 2:10

Machine Learning: Intro a sistemas de recomendação em Python
INSTRUTORES
Guilherme Silveira
Linkedin

Machine Learning
PÚBLICO ALVO
Quem já aprendeu algoritmos de machine learning e gostaria de aprender como um deles funciona por trás dos
panos.
Básico
ENTRAR MATRICULE-SE
TODOS OS PARA COMO

FORMAÇÕES
Curso de
Machine Learning: Validação de modelos
9,2 1.201

Entenda os perigos do hold out
Aplique técnicas de validação cruzada (cross validation)
Utilize a aleatoriedade a seu favor

Entenda quando usar diversas estratégias diferentes de validação cruzada
KFold, Strati edKFold, GroupKFold

Trabalhe na previsão de novos grupos quando nem todos os dados são leituras independentes entre si
Utilize um pipeline para treino e validação
Conteúdo Detalhado
1. Validação cruzada e aleatoriedade inicial
Introdução
A in uência da aleatoriedade na validação do modelo
A validação cruzada
Validação cruzada
Usando e avaliando com o cross validate
Faça o que eu z na aula
O que aprendemos?
2. KFold e aleatoriedade
3. Estrati cação
4. Dados agrupáveis
5. Pipeline de treino e validação

PRIMEIRA AULA DE MACHINE LEARNING: VALIDAÇÃO DE MODELOS
0:00 / 2:22

Machine Learning: Validação de modelos
INSTRUTORES
Guilherme Silveira
Linkedin

Machine Learning
PÚBLICO ALVO
Quem já conhece machine learning e quer comparar resultados de modelos treinados

ENTRAR MATRICULE-SE
TODOS OS PARA COMO

FORMAÇÕES
Curso de
Machine Learning parte 1: Otimização de modelos através de
hiperparâmetros
9,3 892

Entenda o que são hiperparâmetros e os espaços de parâmetros
Explore espaços de forma determinística
Otimize seus modelos
Evite o over t
Implemente a exploração por trás dos panos
Aprenda a utilizar a explorar com o GridSearchCV
Nested cross validation
Conteúdo Detalhado
1. Hiperparâmetros, over t e otimização
Introdução
Entendendo o que é um parâmetro
Quanto mais complexa a árvore, melhor?
Otimizando um hiper parâmetro e o problema do over t
Revisando a exploração de um espaço de parâmetros
2. Explorando 2 dimensões de hiperparâmetros
3. Trabalhando com 3 ou mais dimensões
4. Busca de parâmetros com o GridSearchCV
5. Nested cross validation e validando o modelo escolhido
PRIMEIRA AULA DE MACHINE LEARNING PARTE 1: OTIMIZAÇÃO DE MODELOS ATRAVÉS DE

HIPERPARÂMETROS
0:00 / 5:07

Machine Learning parte 1: Otimização de modelos através de hiperparâmetros
INSTRUTORES
Guilherme Silveira
Linkedin

Machine Learning
PÚBLICO ALVO
Quem já sabe validar modelos com validação cruzada, conhece machine learning e quer otimizar seus modelos.
ENTRAR MATRICULE-SE
TODOS OS PARA COMO

FORMAÇÕES
Curso de
Machine Learning parte 2: Otimização com exploração aleatória
9,2 727

Explore espaços de parâmetros de forma aleatória
Utilize o RandomizedSearch e otimize o tempo de busca
Compare uma exploração exaustiva com aleatória

Execute a otimização sem validação cruzada quando aplicável
Conteúdo Detalhado
1. Randomized Search e Cross validation combinadas
Introdução
Explorando aleatoriamente
2. Explorando por mais tempo espaços maiores
3. Baseline com busca exaustiva no espaço discretizado
4. Comparando com busca aleatória
5. Otimização de hiper parâmetros sem validação cruzada (treino, teste e validação)
PRIMEIRA AULA DE MACHINE LEARNING PARTE 2: OTIMIZAÇÃO COM EXPLORAÇÃO ALEATÓRIA

0:00 / 4:21

Machine Learning parte 2: Otimização com exploração aleatória
INSTRUTORES
Guilherme Silveira
Linkedin

Machine Learning
PÚBLICO ALVO
Quem já sabe validar modelos com validação cruzada, conhece machine learning e quer otimizar seus modelos.
Intermediário
ÚLTIMA ATUALIZAÇÃO
21/11/2019
MINISTÉRIO DA EDUCAÇÃO
UNIVERSIDADE FEDERAL DO SUL E SUDESTE DO PARÁ
SISTEMA INTEGRADO DE PATRIMÔNIO, ADMINISTRAÇÃO
FOLHA DE ASSINATURAS
E CONTRATOS
Emitido em 04/05/2020
DOCUMENTO Nº 679/2020 - DICTI (11.12.35)
(Nº do Protocolo: NÃO PROTOCOLADO)
(Assinado digitalmente em 05/05/2020 11:30 )

LUIZ CARLOS DA SILVA CARVALHO
TECNICO EM ASSUNTOS EDUCACIONAIS
2458182
Para verificar a autenticidade deste documento entre em https://sipac.unifesspa.edu.br/documentos/ informando seu

número: 679, ano: 2020, tipo: DOCUMENTO, data de emissão: 04/05/2020 e o código de verificação: 83b13b2c3f

LCC - Formação Machine Learning

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

LCC - Formação Machine Learning

Enviado por

Direitos autorais:

Formatos disponíveis

ENTRAR MATRICULE-SE

TODOS OS PARA COMO

Faça esse curso de Machine Learning e:

Pratique com diversos exemplos

Compare o resultado de algoritmos lineares e não lineares

Faça estudos replicáveis, com estratégias de testes

Veja Support Vector Machines, Árvores de Decisão e Dummy Classi ers

1. Introdução à classi cação

Primeiro treino e teste de um modelo de classi cação

2. Testes replicáveis, estrati cação e lendo dados da internet

3. Um projeto de baixa dimensionalidade e o baseline

4. Support Vector Machine e a não linearidade

5. Dummy classi ers e árvore de decisão

PRIMEIRA AULA DE MACHINE LEARNING: INTRODUÇÃO A CLASSIFICAÇÃO COM SKLEARN

UM POUCO MAIS DO CONTEÚDO

Descubra se esse curso é pra você lendo as primeiras aulas de

Cursos de Machine Learning em Data Science

FORMAÇÃO COM ESSE CURSO

Quem deseja aprender machine learning ou classi cação

TODOS OS PARA COMO

Faça esse curso de Machine Learning e:

Como agrupar seus dados e gerar rótulos para eles

Como extrair os dummies de um dataset

Conhecer os tipos de agrupamentos

4. escolhendo o numero de grupos

PRIMEIRA AULA DE MACHINE LEARNING: INTRODUÇÃO A ALGORITMOS NÃO SUPERVISIONADOS

UM POUCO MAIS DO CONTEÚDO

Descubra se esse curso é pra você lendo as primeiras aulas de

Cursos de Machine Learning em Data Science

FORMAÇÃO COM ESSE CURSO

TODOS OS PARA COMO

Faça esse curso de Machine Learning e:

Uma arquitetura para classi cação de sentimentos.

Como criar visualizações para facilitar a análise de dados textuais.

Aprenda boas práticas voltadas ao PLN.

1. Explorando e vetorizando dados textuais

Buscando e Analisando os Dados

Padronizando a classi cação e veri cando o balanceamento

Um método para vetorizar textos

Bag of Words em Python

2. Classi cando sentimentos: um passo a passo

3. Visualizando os dados com WordCloud

4. Tokenização com NLTK para criar uma nova visualização

5. Criando funções para um pipeline de otimização

PRIMEIRA AULA DE LINGUAGEM NATURAL PARTE 1: INTRODUÇÃO A NLP COM ANÁLISE DE

UM POUCO MAIS DO CONTEÚDO

Descubra se esse curso é pra você lendo as primeiras aulas de

Cursos de Machine Learning em Data Science

FORMAÇÃO COM ESSE CURSO

TODOS OS PARA COMO

Faça esse curso de Machine Learning e:

Melhore os resultados de classi cação normalizando os textos.

Aprenda como usar TF-IDF e Ngrams para melhorar a classi cação.

Avance na utilização da biblioteca NLTK.

Aprenda a utilizar recursos do SKlearn para otimizar a classi cação.

1. Otimizando a análise: o primeiro passo

Explorando outras formas de tokenização

Diferenciando pareto e Word Clouds

4. Evitando exões e derivações nas palavras

5. TF-IDF e Ngrams: técnicas mais avançadas

PRIMEIRA AULA DE LINGUAGEM NATURAL PARTE 2: CONTINUANDO COM A ANÁLISE DE SENTIMENTO

UM POUCO MAIS DO CONTEÚDO

Descubra se esse curso é pra você lendo as primeiras aulas de