Você vai aprender na prática:
Entende quais vagas, cargos e salários exigem conhecimento de Machine Learning/Aprendizagem de Máquina e Inteligência Artificial (IA). Conheça as tendências e os conceitos básicos dessas técnicas para se trabalhar no mercado.
Vamos revisar as principais bibliotecas básicas que serão usadas para tratar de dados.
Aprenda como preparar sua base de dados, filtrar, remover valores aberrantes (outliers), e manipular seus dados através de bibliotecas no python. Entenda a análise exploratória a partir da visualização de dados através da biblioteca seaborn.
Veja os principais conceitos de probabilidade e estatística que são fundamentais para criarmos e entendermos os modelos de IA e Machine Learning. Veremos tanto estatística descritiva (média, mediana, moda, histograma e etc) quanto uma introdução à estatística inferencial (test-t, anova e etc).
Aprenda os conceitos básicos para criação de modelos de aprendizagem de máquina e inteligência artificial: cross-validation, k-folds, split-test e etc.
Entenda os principais conceitos de regressões (lineares e logísticas): para que servem, e em quais condições utilizar cada uma. Aprenda a realizar modelos de regressão a partir da biblioteca scikit-learn. Você realizará um projeto de criação de seus primeiros modelos preditivos com regressões.
Aprenda a usar os modelos de árvores de decisões (como Random Forest, XGboost, CatBoost e etc). Entenda as vantagens e quando usar. Esses modeloss são amplamente utilizados na academia e no mercado. Você será capaz de criar seus primeiros modelos preditivos com árvores e comparar com os das regressões.
Você será introduzido ao conceito de Deep Learning, junto de redes neurais e suas bibliotecas no python (como tensorflow, keras e etc). Modelos que utilizam deep learning são mais complicados de criar, mas normalmente conseguem resolver problemas bem complexos. Aprenda a montar uma rede neural para resolver alguns problemas de classificação que os outros modelos teriam muita dificuldade.
