Domine Estatística e Ciência de Dados de Forma Prática e Profunda

• ​Pré-processamento de Dados

  • Organização e qualidade dos dados

  • Limpeza e preparação dos dados

  • Dados faltantes

  • Dados desbalanceados

  • Valores discrepantes

  • Transformação de variáveis

  • Redução de dimensionalidade

  • Seleção de atributos

• Primeiros passos em modelagem

  • Introdução ao machine learning

  • Particionamento de dados

• Aprendizado supervisionado baseado em regressão

  • Regressão linear simples Regressão linear múltipla Regressão linear multivariada

  • Regressão logística

• Aprendizado supervisionado com árvores de decisão

  • Árvores de decisão

  • Random forest

  • Gradient boosting

  • AdaBoost

• Aprendizado supervisionado com vetores e distâncias

  • Máquinas de vetores de suporte (SVM)

  • K-nearest neighbors (KNN)

• Aprendizado supervisionado probabilístico e bayesiano

  • Naïve Bayes

  • Redes Bayesianas Processos Gaussianos

• Aprendizado supervisionado com redes neurais

  • Arquiteturas e treinamento

  • MLP, CNN, RNN, GANs

• Aprendizado não supervisionado

  • K-means Clusterização hierárquica

  • Modelos de mistura gaussiana (GMM)

  • Isolation forest

• Aprendizado semi-supervisionado

  • Label propagation

  • SVM semi-supervisionado

  • Autoencoders semi-supervisionados

  • K-means semi-supervisionado

• Aprendizado por reforço

  • Métodos baseados em valor

  • Métodos baseados em política

  • Métodos baseados em modelos

• Avaliação e ajuste de modelos

  • Técnicas de validação

  • Métricas de avaliação

  • Underfitting e overfitting

  • Regularização

​

​

​

​

​​

​

​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​

​

​