Workshop Intensivo de Aplicações Modernas de Ciência de Dados com Machine Learning

INSCREVA-SE AGORA

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

(*) Nesses casos, faz-se necessário o comparecimento à UNI7 para comprovação da situação.

(**) A inscrição só está assegurada após a efetivação do pagamento.

INSCREVA-SE AGORA

Período de realização

Datas: 9, 10, 11, 16, 17, 18, 23, 24 e 25/10/2017 (segundas, terças e quartas).

Horários: das de 19h às 22h40.

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

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

INSCREVA-SE AGORA