Machine Learning (Modelos Clássicos da Estatística) em R e Python

Aprenda desde conceitos básicos sobre aprendizado de máquina, métodos de criação, métricas de seleção e aperfeiçoamento de modelos de machine learning!

Ementa:

Conceitos básicos sobre aprendizado de máquina. Método CRISP-DM para criação, seleção, aperfeiçoamento e monitoramento dos modelos de Aprendizado supervisionado: regressão e classificação; regressão Llinear simples e múltipla, regressão polinomial, regressão de Poisson para dados de contagem com dados inflacionados de zero ou não, modelagem multinível com somente um nível; regressão logística simples e múltipla, regressão quantílica e regressão de cox;  Métricas de seleção adequadas a cada tipo de modelo e métodos de seleção automatizada (STEPWISE, Backward e Foward).

Você vai aprender

• Materiais e links
• Aula 00 – Apresentação – 02:20
• Aula 01 – Aprendizado de máquina – 14:03
• Aula 02 – Tipos de aprendizagem de máquina – 16:07
• Aula 03 – Intordução ao CRISP-DM para criação de Modelos de machine learning – 11:44
• Aula 04 – Introdução ao CRISP-DM para criação de modelos – 2 – 14:28
• Aula 05 – Introdução ao CRISP-DM para criação de modelos – 3 – 11:07
• Aula 06 – Modelagem Estatística/Machine Learning – 10:22
• Aula 07 – Modelagem Estatística/Machine Learning – 15:25
• Aula 08 – Análise de Regressão – 13:48
• Aula 09 – Análise de Regressão – 2 – 12:38
• Aula 10 – Análise de regressão – 3 – 11:46
• Aula 11 – Regressão Linear – 1 – 13:46
• Aula 12 – Regressão Linear – 2 – 12:48
• Aula 13 – Regressão linear – 3 – 09:04
• Aula 14 – Regressão linear – 4 – 15:33
• Aula 15 – Regressão linear – 5 – 16:11
• Aula 16 – Regressão linear – 6 – 12:18
• Aula 17 – Regressão linear 7 – Prática – 15:42
• Aula 18 – Regressão linear – 8 – Prática – 09:40
• Aula 19 – Regressão linear – 9 – Prática – 13:17
• Aula 20 – Regressão linear – 10 – Prática – 13:20
• Aula 21 – Regressão Linear – 11 – Prática – 12:19
• Aula 22 – Regressão linear – STEPWISE – Métodos de seleção de modelos – 12 – 13:12
• Aula 23 – Regressão linear – STEPWISE – Métodos de seleção de modelos – 13 – Prática – 15:36
• Aula 24 – Regressão Linear – 14 – Prática – 14:52
• Aula 25 – Regressão linear – 15 – Prática – 10:40
• Aula 26 – Regressão linear – 16 – Prática – 14:32
• Aula 27 – Regressão linear – 17 – Prática – 11:33
• Aula 28 – Regressão Linear – 18 – Prática – 14:05
• Aula 29 – Regressão Linear – 19 – Prática – 08:58
• Aula 30 – Regressão Polinomial – 1 – 17:38
• Aula 31 – Regressão polinomial – 2 – Prática – 13:59
• Aula 32 – Regressão de Poisson – 1 – 13:59
• Aula 33 – Regressão de Poisson – 2 – 10:04
• Aula 34 – Regressão de Poisson – 3 – Prática – 14:29
• Aula 35 – Regressão de Poisson – 4 – Prática – 14:06
• Aula 36 – Regressão de Poisson – 5 – Prática – 12:51
• Aula 37 – Regressão de Poisson – 6 – Prática – 08:38
• Aula 38 – Regressão Quantílica – 1 – Teoria – 14:36
• Aula 39 – Regressão Quantílica – 2 – Prática – 15:52
• Aula 40 – Regressão Quantílica – 3 – Prática – 14:32
• Aula 41 – Regressão de Cox – 1 – Teoria – 15:01
• Aula 42 – Regressão de Cox – 2 – Teoria – 14:48
• Aula 43 – Regressão de Cox – 3 – Teoria – 13:00
• Aula 44 – Regressão de Cox – 4 – Prática – 14:15
• Aula 45 – Regressão de Cox – 5 – Prática – 18:42
• Aula 46 – Regressão de Cox – 6 – Prática – 14:05
• Aula 47 – Regressão logística – 1 – Teoria – 12:30
• Aula 48 – Regressão Logística – 2 – Teoria – 14:40
• Aula 49 – Regressão Logística – 3 – Teoria – 14:21
• Aula 50 – Regressão Logística – 4 – Teoria – 14:31
• Aula 51 – Regressão Logística – 5 – Teoria – 14:52
• Aula 52 – Regressão Logística – 6 – Teoria – 13:30
• Aula 53 – Regressão Logística – 7 – Teoria – 09:52
• Aula 54 – Regressão Logística – 8 – Prática – 15:17
• Aula 55 – Regressão Logística – 9 – Prática – 15:41
• Aula 56 – Regressão Logística – 10 – Prática – 14:15
• Aula 57 – Regressão Logística – 11 – Prática – 17:57
• Aula 58 – Regressão Logística – 12 – Prática – 14:58
• Aula 59 – Regressão Logística – 13 – Prática – 17:26
• Aula 60 – Regressão Logística – 14 – Prática – 13:30
• Aula 61 – Hands on Previsão – 1 – Prática – 14:12
• Aula 62 – Hands on Previsão – 2 – Prática – 15:29
• Aula 63 – Hands on Previsão – 3 – Prática – 17:01

Carga horária: 15:00

Prof. Dra. Awo Sitsofe:

É Mestre em Estatística pela Universidade católica do chile e Doutora em Estatística pela USP e Analista de Prevenção a Fraudes no Banco Santander. Possui uma grande exriência em análise de dados quantitativos e qualitativos em áreas como dietética, robótica, biomecatrônica, gerontologia, pesca, produção, economia e outras área de negócios.