Domínio em Aprendizado de Máquina

Aprenda os conceitos de Machine Learning e o fluxo de trabalho de projetos de ML.

O pré-processamento é provavelmente a etapa mais importante de um projeto de ML. Este capítulo aborda as etapas de pré-processamento necessárias para praticamente qualquer conjunto de dados.

Um pipeline é uma maneira organizada de combinar todas as etapas de pré-processamento, bem como um modelo. Pipelines facilitam muito o treinamento e a utilização de um modelo.

A modelagem é a etapa mais divertida de um projeto de ML. Vamos aprender a construir, ajustar e avaliar o modelo!

Vamos começar com o modelo mais simples de Regressão Linear! Você aprenderá o conceito por trás da Regressão Linear e como realizar previsões em Python.

A maioria das tarefas de previsão do mundo real envolve mais de uma variável. Você aprenderá como lidar com Regressão Linear com múltiplas variáveis.

Uma linha reta nem sempre descreve bem os dados. Vamos aprender como construir um modelo mais complexo para previsão! É para isso que a Regressão Polinomial é adequada.

Agora que você sabe como construir vários modelos de Regressão Linear, é necessário um método para escolher o melhor. Isso pode ser feito utilizando métricas. Esta seção explica as métricas mais utilizadas e as dificuldades que podem surgir ao utilizá-las.

Aprofunde-se nos fundamentos do clustering e descubra como ele difere da classificação. Explore algoritmos, ferramentas e bibliotecas essenciais que impulsionam essa técnica de aprendizado não supervisionado para revelar padrões ocultos nos dados.

Obtenha uma compreensão sólida das principais técnicas de pré-processamento que garantem uma clusterização eficaz. Aprenda a lidar com valores ausentes, codificar variáveis categóricas, normalizar dados e escolher medidas de distância e métodos de ligação apropriados para aumentar a precisão da clusterização.

Domine as habilidades necessárias para aplicar a clusterização K-Means de forma eficaz. Compreenda o funcionamento do algoritmo, determine o número ideal de clusters e obtenha experiência prática implementando o K-Means em conjuntos de dados sintéticos e reais.

Explore os conceitos essenciais do agrupamento hierárquico e aprenda a agrupar dados em clusters significativos utilizando dendrogramas. Desenvolva confiança na identificação do número ideal de clusters e na aplicação da técnica em conjuntos de dados sintéticos e do mundo real.

Descubra como o DBSCAN se destaca na detecção de agrupamentos com formas variadas e no tratamento de ruídos nos dados. Compreenda a mecânica por trás deste algoritmo baseado em densidade, como atribuir pontos a agrupamentos e aplicá-lo com confiança em conjuntos de dados sintéticos e reais.

Compreensão sólida de Modelos de Mistura Gaussiana e de como utilizam probabilidade para modelar formas complexas de agrupamentos. Princípios da distribuição Gaussiana, funcionamento dos GMMs e aplicação prática em dados simulados e reais.

Descubra como treinar agentes para tomar decisões ótimas por meio de tentativa e erro. Explore os fundamentos da teoria de aprendizado por reforço. Obtenha experiência prática configurando e executando um ambiente Gymnasium.

Domine o equilíbrio entre exploração e exploração por meio do problema do bandido de múltiplos braços. Implemente estimativa de valor de ação, métodos ε-greedy, limite superior de confiança e métodos bandido de gradiente. Avalie o desempenho dos algoritmos em tarefas simuladas de maximização de recompensa.

Domínio da programação dinâmica para RL baseado em modelos. Descoberta de como as equações de Bellman podem ser utilizadas para avaliar e aprimorar políticas. Implementação dos algoritmos de iteração de política e de valor. Exploração da iteração generalizada de políticas como base teórica para métodos sem modelo.

Domine os métodos de Monte Carlo para RL sem modelo. Estime funções de valor e derive políticas ótimas a partir de episódios completos. Implemente algoritmos de controle de Monte Carlo on-policy e off-policy. Descubra estratégias de exploração para otimizar o aprendizado sem modelo.

Domínio do aprendizado por diferença temporal para RL sem modelo. Estimativa de funções de valor a partir de episódios parciais utilizando atualizações TD(0). Implementação dos algoritmos SARSA on-policy e Q-Learning off-policy. Exploração da combinação entre métodos de Monte Carlo e aprendizado por diferença temporal em TD de n passos e TD(λ).

Primeiro, discutiremos o que é uma rede neural e como ela funciona. Também consideraremos o escopo de sua aplicação.

Em seguida, tentaremos construir nossa própria rede neural e avaliar sua eficiência no processo de aprendizagem. Também analisaremos uma solução pronta da biblioteca scikit-learn.

Por fim, forneceremos informações adicionais úteis sobre como entender qual modelo utilizar e quais tipos de redes neurais existem. Para concluir o curso, você será avaliado sobre o conhecimento adquirido.