Machine Learning e Data Science com Python de A à Z
Parte das formações
Descrição
A área de Machine Learning (Aprendizagem de Máquina) e Data Science (Ciência de Dados) é atualmente um dos campos de trabalho mais relevantes da Inteligência Artificial, sendo responsável pela utilização de algoritmos inteligentes que tem a função de fazer com que os computadores aprendam por meio de bases de dados. O mercado de trabalho de Machine Learning nos Estados Unidos e em vários países da Europa está em grande ascensão; e a previsão é que no Brasil cada vez mais esse tipo de profissional seja requisitado! Inclusive alguns estudos apontam que o conhecimento dessa área será em breve um pré-requisito para os profissionais de Tecnologia da Informação! E dentro deste contexto está o cientista de dados, que já foi classificado como o trabalho “número 1” por vários veículos da mídia internacional.
E para levar você até essa área, neste curso completo você terá uma visão teórica e prática sobre os principais algoritmos de machine learning utilizando o Python, que é uma das linguagens de programação mais relevantes nesta área. Além disso, vamos utilizar o Google Colab para a implementação dos exemplos, o que facilita o entendimento dos conceitos e evita problemas de instalação de bibliotecas. Este curso é considerado de A à Z pelo fato de apresentar desde os conceitos mais básicos até técnicas mais avançadas, de modo que ao final você terá todas as ferramentas necessárias para construir soluções complexas e que podem ser aplicadas em problemas do dia-a-dia das empresas! Você aprenderá tudo passo a passo, ou seja, tanto a teoria quanto a prática de cada algoritmo!
Mapa de Currículo
Classificação – pré-processamento dos dados, naïve bayes, árvores de decisão, random forest, regras, regressão logística, máquinas de vetores de suporte (SVM), redes neurais artificiais, avaliação de algoritmos e combinação e rejeição de classificadores
Regressão – regressão linear simples e múltipla, polinomial, árvores de decisão, random forest, vetores de suporte (SVR) e redes neurais artificiais
Regras de associação – algoritmos Apriori e ECLAT
Agrupamento – k-means, agrupamento hierárquico e DBSCAN
Tópicos complementares – redução de dimensionalidade com PCA, KernelPCA e LDA, deteção de outliers, aprendizagem por reforço, processamento de linguagem natural, visão computacional, tratamento de dados desbalanceados, seleção de atributos e previsão de séries temporais
Veja abaixo alguns dos estudos de caso que serão implementados:
Criação de gráficos dinâmicos para visualização de bases de dados
Previsão se uma pessoa pagará um empréstimo baseado no histórico financeiro
Previsão do salário de uma pessoa levando em consideração seus dados pessoais
Previsão do preço do plano de saúde baseado na idade
Previsão do preço de casas considerando
Geração de regras de associação para compor prateleiras de mercado
Agrupamento de clientes simulares considerando dados sobre o uso do cartão de crédito
Simulação de um táxi utilizando aprendizagem por reforço
Classificação de sentimentos em textos com processamento de linguagem natural
Detecção de faces, reconhecimento facial e rastreamento de objetos
Previsão de visitas a websites com séries temporais
Data de início
18 de Fevereiro de 2026
Data de fim
None
Carga horária
50,0 horas
Categorias