Learning Machine

Este curso aborda os principais algoritmos de aprendizado de máquina (Machine Learning), uma área da inteligência artificial que permite que sistemas aprendam a partir de dados sem serem explicitamente programados, sendo utilizada em diversas aplicações como reconhecimento de padrões, previsão e classificação.

Objetivos: Ao final do curso, o aluno será capaz de compreender os diferentes tipos de aprendizado de máquina (supervisionado, não supervisionado, por reforço), aplicar algoritmos de classificação, regressão e agrupamento utilizando bibliotecas como Scikit-learn, e avaliar o desempenho de modelos de machine learning.

Público Alvo: Cientistas de dados, engenheiros de machine learning, desenvolvedores, analistas e qualquer pessoa interessada em aprender sobre aprendizado de máquina.

Carga Horária Estimada: 180 horas

Competências Adquiridas:

Compreender os fundamentos do aprendizado de máquina.

Aplicar algoritmos de aprendizado supervisionado (regressão, classificação).

Aplicar algoritmos de aprendizado não supervisionado (agrupamento, redução de dimensionalidade).

Avaliar o desempenho de modelos de machine learning.

Utilizar bibliotecas de machine learning em Python (Scikit-learn).

Curso conteúdo

Módulo 1: Fundamentos do Aprendizado de Máquina
4 Tópicos
1 Teste
Tópico 1: Introdução ao Aprendizado de Máquina
Tópico 2: Aprendizado Supervisionado – Regressão
Tópico 3: Aprendizado Supervisionado – Classificação
Tópico 4: Preparação e Pré-processamento de Dados para ML
Teste – Módulo 1: Learning Machine
Módulo 2: Algoritmos de Aprendizado Supervisionado
4 Tópicos
1 Teste
Tópico 1: Árvores de Decisão
Tópico 2: Métodos de Conjunto (Ensemble Methods)
Tópico 4: Vizinhos Mais Próximos (K-Nearest Neighbors – KNN)
Teste – Módulo 2: Learning Machine
Módulo 3: Aprendizado Não Supervisionado
3 Tópicos
1 Teste
Tópico 1: Agrupamento (Clustering)
Tópico 2: Redução de Dimensionalidade
Tópico 3: Regras de Associação
Teste – Módulo 3: Learning Machine
Módulo 4: Avaliação e Otimização de Modelos
4 Tópicos
1 Teste
Tópico 1: Validação Cruzada (Cross-Validation)
Tópico 2: Métricas de Avaliação Detalhadas
Tópico 3: Ajuste de Hiperparâmetros (Hyperparameter Tuning)
Tópico 4: Overfitting e Underfitting
Teste – Módulo 4: Learning Machine
Módulo 5: Implementação e Ferramentas de Machine Learning com Python
4 Tópicos
1 Teste
Tópico 1: Biblioteca Scikit-learn (sklearn)
Tópico 2: Outras Bibliotecas Relevantes
Tópico 3: Ambientes de Desenvolvimento e Ferramentas
Tópico 4: Persistência de Modelos (Model Persistence)
Teste – Módulo 5: Learning Machine
Módulo 6: Tópicos Avançados em Machine Learning
4 Tópicos
1 Teste
Tópico 2: Aprendizado Profundo (Deep Learning) – Introdução
Tópico 4: Métodos de Ensemble Avançados
Teste – Módulo 6: Learning Machine
Módulo 7: Implantação de Modelos de Machine Learning (Model Deployment)
4 Tópicos
1 Teste
Tópico 1: Estratégias de Implantação
Tópico 2: Considerações de Performance e Escalabilidade
Tópico 3: Monitoramento e Manutenção de Modelos
Tópico 4: Aspectos Éticos e de Responsabilidade na Implantação
Teste – Módulo 7: Learning Machine
Módulo 8: Projeto Prático e o Futuro do Machine Learning
4 Tópicos
1 Teste
Tópico 1: Definição e Planejamento do Projeto de ML
Tópico 2: Desenvolvimento e Experimentação do Modelo
Tópico 3: Apresentação e Documentação do Projeto
Tópico 4: Tendências e o Futuro do Machine Learning
Teste – Módulo 8: Learning Machine
Final Teste
Prova – Learning Machine
Rolar para cima