Ciência de Dados
Aula 01
- Introdução ao Python
Aula 02
- Apresenta o conceito de ciência de dados e mineração de dados.
Aula 03
- Revisão de álgebra linear (vetores, operações vetoriais e matrizes), estatística (média, mediana, dispersão, variância, desvio padrão, covariância e correlação) e probabilidade (variáveis aleatórias, distribuições contínuas e distribuição normal) em Python.
Aula 04
- Apresenta o conceito de Aprendizado de Maquinas, modelos e modos de treinamento (supervisionado, não supervisionado, semi-supervisionado e por reforço). Utiliza o algoritmo de Árvore de Decisão para aprender a classificar flores Iris e utiliza validação cruzada para verificar o quão bom está classificando.
Aula 05
- Exercícios de Árvore de Decisão, Validação Cruzada e Floresta Aleatória (Random Florest).
Aula 06
- Classificação - algoritmos de K vizinhos mais próximos (KNN) e Naive Bayes
Aula 07
- Classificação - algoritmo Máquina de Vetores de Suporte (SVM) e introdução ao pré processamento para selecionar características, mudar tipos de dados e preencher dados faltantes.
Aula 08
- Exercícios de classificação
Aula 09
- Regressão linear, múltipla e logística
Aula 10
- Exercícios de regressão linear, múltipla e logística
Aula 11
- Agrupamento
Aula 12
- Recomendação de conteúdo