- Aulas teóricas simplificadas e objetivas: o curso oferece aulas teóricas que são apresentadas de forma simplificada e objetiva, facilitando o entendimento dos conceitos e algoritmos de machine learning. Isso permite que os alunos absorvam o conteúdo de forma mais eficiente e rápida, sem se perder em explicações complexas e desnecessárias.

- Aulas práticas utilizando Power BI: uma das principais vantagens do curso é a utilização do Power BI nas aulas práticas. O Power BI é uma ferramenta poderosa de visualização de dados, que permite criar gráficos e dashboards de forma intuitiva e interativa. Com as aulas práticas utilizando o Power BI, os alunos têm a oportunidade de aplicar os conceitos aprendidos de machine learning de forma prática e visual, o que facilita a compreensão e fixação do conteúdo. Além disso, o uso do Power BI também permite que os alunos desenvolvam habilidades em uma ferramenta amplamente utilizada no mercado de trabalho, aumentando suas chances de empregabilidade.

Pergunta 1: Para quem é o curso de Machine Learning (com Power BI)?
Resposta 1: O curso é destinado a pessoas interessadas em aprender sobre machine learning e que desejam utilizar o Power BI para criar gráficos e dashboards.

Pergunta 2: O que será aprendido no curso?
Resposta 2: No curso, serão aprendidos os conceitos teóricos e práticos do machine learning, incluindo o funcionamento de cada algoritmo e a utilização do Power BI para criar visualizações e análises de dados.

Pergunta 3: Quais são os recursos utilizados no curso?
Resposta 3: O curso utiliza aulas teóricas simplificadas e objetivas para explicar os conceitos do machine learning, além de aulas práticas utilizando o Power BI para exemplificar e praticar cada conceito abordado.

Cainã de Souza Lopes

Curso de Machine Learning (com Power BI)

Como estudar esse curso

Introdução a Machine Learning e IA

Viés e Variância

Visão geral dos algoritmos de machine learning

Conceitos Básicos

Regressão linear (conceito + matemática: o que o algoritmo faz debaixo dos panos)

Regressão linear (Power BI: Linha de Tendência)

Regressão linear (Power BI e R: Massa de Dados com R)

Regressão linear (Script R: Massa de Dados)

Regressão linear (Power BI e R: Treino e Teste)

Regressão linear (Script R: Treino e Teste)

Regressão linear (Power BI e R: Previsões)

Regressão linear (Script R: Previsões)

Regressão linear (Power BI: Coeficiente de determinação R2)

Regressão linear (Script R: Coeficiente de determinação R2)

Regressão linear (apresentação do exercício)

Regressão linear (Power BI: Gráfico de Dispersão - solução exercício)

Regressão linear (Power BI: Gráfico de Dispersão com Tendência - solução exercício)

Regressão linear (Power BI: Gráfico de Colunas - solução exercício)

Regressão linear (Power BI: Gráfico de Pizza - solução exercício)

Regressão linear (Power BI e R: Modelo e Previsões - solução exercício)

Regressão Linear

Pré-processamento: dados missing

Pré-processamento (solução do exercício)

Feature selection: correlação (conceito)

Feature selection: correlação (Power BI e Python)

Pré-processamento

Ridge regression (conceito + matemática: o que o algoritmo faz debaixo dos panos)

Ridge regression (Power BI e Python: resolvendo um problema)

Ridge regression (Script Python: resolvendo um problema)

Regularização L1, L2 e regressão Lasso

Lasso regression (Power BI e Python: resolvendo um problema)

Elastic net (conceito + matemática: o que o algoritmo faz debaixo dos panos)

Elastic net (Power BI e Python: resolvendo um problema)

Gráfico Valores Reais x Previstos (apresentando o exercício)

Gráfico Valores Reais x Previstos (Power BI e Python: solução do exercício)

Outros modelos de regressão linear

Conteúdo do Módulo

Pacote Caret (linguagem R)

Validação cruzada Kfold (Teoria: o que o algoritmo faz debaixo dos panos)

Validação cruzada Kfold (aplicação prática em R)

Busca de parâmetros em um modelo (aplicação prática em R)

Teste de parâmetros específicos em um modelo (aplicação prática em R)

Validação cruzada e ajuste fino dos parâmetros

Regressão logística (conceito + matemática: o que o algoritmo faz debaixo dos panos)

Regressão logística (Power BI: Pré-processamento)

Regressão logística (Power BI e R: Modelo)

Regressão logística (Power BI e R: Análise dos Resultados)

Regressão logística (apresentação do exercício)

Regressão logística (Script R: solução do exercício)

Regressão logística (Power BI: solução do exercício)

Regressão Logística

Medição de desempenho Confusion Matrix (teoria e prática no Power BI)

Medição de desempenho ROC/AUC (conceito + matemática: o que o algoritmo faz debaixo dos panos)

Medição de desempenho ROC/AUC (Script R e Python)

Medição de desempenho ROC/AUC (Power BI: Gráfico)

Medição de desempenho ROC/AUC (Script Python: auc)

Normalizando dados (Script R)

Confusion matrix e normalização

KNN (conceito + matemática: o que o algoritmo faz debaixo dos panos)

KNN (Power BI e R)

KNN (apresentação do exercício)

KNN (Power BI e R: resolução do exercício)

Teorema de Bayes (conceito teórico)

Gaussian, Multinomial (Poisson), Bernoulli (o que os algoritmos Naive Bayes fazem debaixo dos panos)

Suavização de Laplace

Naive Bayes (Python: Dataset Iris)

Naive Bayes (Power BI e Python)

Naive Bayes

Decision Trees (conceito + matemática: o que o algoritmo faz debaixo dos panos) – Parte 1: entropia

Decision Trees (conceito + matemática: o que o algoritmo faz debaixo dos panos) – Parte 2: índice GINI

Decision Trees: evitando overfitting

Decision Trees (conceito + matemática: o que o algoritmo faz debaixo dos panos) – Parte 3: regressão

Decision Trees (conceito + matemática: o que o algoritmo faz debaixo dos panos) – Parte 4: a escolha do melhor split com algoritmos CART e C4.5

Curso de Machine Learning (com Power BI)

Avaliações

Perguntas Frequentes