Farmácias Pague Menos Drugstore, Seleciona: Estagiário De Marketing
09/10/2017Gerardo Bastos, Contrata: Auxiliar Administrativo
10/10/2017Workshop Intensivo de Aplicações Modernas de Ciência de Dados com Machine Learning – 2ª turma
Período de realização
Datas: 19, 20, 21, 26, 27, 28, 30, 31/10 e 1/11.
Horários: das de 19h às 22h40. Aos sábados, de 8h às 12h.
Objetivos
Capacitar os participantes do curso na utilização de Machine Learning para resolução de projetos em Ciências de Dados através da aplicações das técnicas mais recentes e mais usadas nas mais diversas áreas, mostrando o seu grande impacto.
Público Alvo
Estudantes, professores, desenvolvedores, analistas de sistemas, analistas de negócios, interessados, hobistas e profissionais em geral da área, que desejam formação para o exercício das funções de cientista de dados, especialista em modelagem analítica, especialista em machine learning, gerente de analítica de dados.
Instrutor
Paulo Cysne Rios Jr.
- possui bacharelado em Física pela UFC, mestrado em Ciência da Computação na Alemanha, MBA na Escócia;
- profissional de Informática com mais de 20 anos de experiência, trabalhando para grandes empresas globais na Suíça em diversas áreas, inclusive financeira, bancária, produtos de consumo e seguros, tendo trabalhado mais de 10 anos na área de Analítica de Dados;
- Diretor de Analítica da empresa DataCyz, sediada em Genebra, Suíça, focada em consultoria e produtos de data science e machine learning;
- Autor do blog Cyzne com mais de 100 artigos em analítica avançada de dados, machine learning e data science;
Pré-requisitos
O participante do curso deverá apenas demonstrar conhecimentos básicos de programação de computadores. Conhecimento da linguagem Python e de conceitos básicos de cálculo e álgebra linear seriam muito utéis.
Duração do Curso
O curso terá um total de 36 horas/aula.
Material
Todo o material digital do curso (Slides, Python Jupyter Notebooks com os programas) será disponibilizado em formato digital para os participantes.
Destaques do Curso
- Possibilidade de participação em projetos internacionais.
- Forte ênfase na prática em laboratório de informática.
- O curso será realizado em laboratório com software de última geração.
- Instrutor de renome internacional na áreas de Data Science e Machine Learning
- Carga horária acima das apresentadas por outras propostas concorrentes com conteúdo não disponível em cursos no Brasil, apresentando o que há mais de moderno, recente e de impacto.
Investimento
Categoria | Valor | Modalidade de pagamento |
Estudantes de graduação e pós-graduação da UNI7 e egressos da UNI7* | R$ 398,00 | À vista ou até 2x no cartão de crédito. |
Demais participantes. | R$ 498,00 | À vista ou até 2x no cartão de crédito. |
(*) Nesses casos, faz-se necessário o comparecimento à UNI7 para comprovação da situação.
(**) A inscrição só está assegurada após a efetivação do pagamento.
Vagas: O curso dispõe de 35 vagas.
Ementa
Módulo I – Fundamentos
- Introdução à Machine Learning
- História da Inteligência Artificial
- Data Science
- Big Data, real-time data streaming
- Machine Learning
- Deep Learning
- O cenário atual de Data Science
- O impacto de Machine Learning em Data Science
- Uma nova onda de investimentos
- As aplicações mais comuns
- As ferramentas mais poderosas
Módulo II – Projetos de Machine Learning
-
- A natureza dos projetos de Machine Learning
- Custos e benefícios estratégicos
- Sponsorship
- Life cycle iterativo
- Etapas
- Os principais desafios
- Dados de treinamento, validação e teste
- Atributos irrelevantes
- Limpeza de dados
- Lidando com valores nulos
- Lidando com atributos categóricos e textos
- Lidando com outliers
- Lidando com muitas dimensões, redução de dimensões
- Visualizando os dados
- Overfitting
- Underfitting
- Bias/Variance Tradeoff
- A natureza dos projetos de Machine Learning
Módulo III – Curso Rápido de Python para Machine Learning
- Ambiente de Programação
- Anaconda
- Jupyter Notebooks
- Os conceitos básicos
- Estruturas básicas da linguagem: if/else, loops
- Listas, dicionários, tuplas e conjuntos
- Programação funcional e orientada a objetos
- Funções, Lambdas, Classes
- Modules e Packages
- Funções zip, enumerate, all, any, map/reduce/filter
- Numpy
- Criação a partir do zero, criação a partir de listas
- Indexing, slicing, reshaping
- Concatenação e divisão (splitting)
- Agregação, Min, Max e mais
- Broadcasting
- Comparação, masks, lógica boleana, sorting
- Pandas
- Series, DataFrames
- Indexação e Seleção em Series e em DataFrames
- Operando com dados com valores nulos
- Encontrando valores distintos
- Explorando Series e DataFrames
- Combinando dados
- Agregação e agrupamento, pivot tables
- eval() e query()
- Visualização de Dados
- Matplotlib
- Seaborn
- Preprocessamento de Dados com SciKit Learn
- Limpeza de dados
- Feature Engineering
- Hot encoders
- Scaling
- Principal Component Analysis (PCA)
- Pipelines
- Estimator API
Módulo IV – Modelagem Analítica de Dados Estruturados
- Tipos de aprendizagem
- Modelagens mais usadas
- Preprocessamento dos dados
- Medidas de desempenho
- Cross-Validation
- Learning Curves, validação dos modelos
- Grid Search
- Confusion Matrix
- Precision/Recall Tradeoff
- Modelagens analíticas clássicas
- Linear Regression com gradient descent
- Logistics Regression
- Modelagens analíticas modernas
- Support Vector Machines
- Decision Trees
- Random Forests
- AdaBoost
- Gradient Boosting
Módulo V – Deep Learning com Keras
- Ambiente de Programação
- TensorFlow
- Keras
- Conceitos com exemplos em Python e Keras
- Fundamentos de Redes Neuronais (neural networks)
- Loss functions e optimizers
- Scalars, vectors, matrices, tensores de alta dimensão
- Data batch
- Time series / dados sequenciais
- Operações com tensores
- Broadcasting
- Aplicações com Keras
- Classificando imagens
- Predição de preços de imóveis
- Predição de preços de commodities
- Classificando resenhas
- Mais exemplos