O aprendizado de máquina (machine learning) é hoje uma das técnicas mais eficazes para extrair conhecimento e valor da crescente quantidade de dados coletados nas empresas.
Descubra com um especialista Artefact o Python, graças a diversas bibliotecas especializadas e a uma comunidade ativa, permite que você implemente soluções de aprendizado de máquina que atendam às suas necessidades.
Um curso de três dias (3 x 7 horas) com um percurso de aprendizagem claro e progressivo. Nos certificamos de que você não se perca ao longo do caminho e facilitamos a assimilação dos conhecimentos necessários para o seu avanço.
Objetivos
- Descubra os principais modelos utilizados em Aprendizado de Máquina
- Compreender os problemas de classificação, regressão e agrupamento
- Saber implementar, avaliar e otimizar uma solução de aprendizado de máquina
Saia daqui sabendo como
Ao final deste curso, que combina teoria, exercícios interativos com Python e estudos de caso orientados, você será capaz de:
- Conhecer os diferentes tipos de algoritmos de aprendizado de máquina
- Compreender o processo de implementação de um projeto de aprendizado de máquina
- Implementar um modelo complexo de aprendizado de máquina com ferramentas
- Avaliar e otimizar os principais algoritmos de aprendizado de máquina
- Fazer mineração de texto
- Fazer web scraping
Materiais de treinamento
- Um livro de fichas de referência que resume os pontos-chave do curso
- Todos os códigos apresentados durante a sessão
Avaliação
A avaliação dos conhecimentos adquiridos é realizada ao longo do curso, por meio de oficinas e exercícios práticos. No final do curso, é realizada sistematicamente uma avaliação imediata sobre a satisfação dos participantes, e é entregue aos participantes um certificado de formação que indica os objetivos do curso, a natureza, o programa e a duração da ação de formação, bem como a certificação dos conhecimentos adquiridos.
Pré-requisitos
Noções de Python
Público
A avaliação dos conhecimentos adquiridos é realizada ao longo do curso, por meio de oficinas e exercícios práticos. No final do curso, é realizada sistematicamente uma avaliação imediata sobre a satisfação dos participantes, e é entregue aos participantes um certificado de formação que indica os objetivos do curso, a natureza, o programa e a duração da ação de formação, bem como a certificação dos conhecimentos adquiridos.
Materiais necessários
Ordinateur portable récent (<5 ans) avec droits d’administration
Programa do curso
Aprendizado de máquina: noções básicas
3 horas
1.1 Introdução ao Machine Learning
O que é o Machine Learning?
1. Casos de uso no dia a dia, utilização do ML pelas grandes empresas de hoje
2. O que é o Machine Learning? Definições e resumo das etapas-chave
3. Possíveis casos de uso nos principais setores, suas especificidades e pontos em comum
4. Compromisso entre desempenho e interpretabilidade: é sempre necessário escolher entre os dois?
1.2 Aprendizado supervisionado – Processos de Data
Foco no tipo de algoritmo mais comum: o aprendizado supervisionado
1. Definição da variável-alvo e das variáveis explicativas. Construção do conjunto de dados e preparação das amostras.
2. Escolha e treinamento do modelo: importância das estatísticas descritivas e previsão de variáveis.
3. Como quantificar e apresentar o desempenho de um modelo, escolhendo a métrica adequada às nossas necessidades
Trabalhos práticos
Aprendizado supervisionado
4 horas
2.1 Aprendizado supervisionado – Gestão do sobreaprendizado
Compreender e evitar o excesso de aprendizagem
- Aprenda as tendências identificadas nos dados, mas não de cor: os problemas do subaprendizado e do sobreaprendizado
- Amostragem de dados: como escolher corretamente o conjunto de treinamento e de teste
- Preservar as características dos dados nas amostras: a amostragem estratificada
- Gerenciar a presença de valores nunca observados no teste durante a fase de treinamento
- Aproveitar melhor os dados disponíveis por meio da validação cruzada
- Caso específico: séries temporais
2.2 Aprendizado supervisionado – Algoritmos clássicos
Os principais algoritmos do aprendizado supervisionado
- Árvores de decisão e os modelos de aprendizado de conjuntos baseados nelas: florestas aleatórias e gradient boosting
- As máquinas de vetores de suporte
- Otimização de hiperparâmetros: pesquisa por grade e pesquisa aleatória
Aprendizado não supervisionado
3 horas
3.1 Aprendizado não supervisionado
O que fazer quando não há uma variável-alvo?
- Metodologia e exemplo de aprendizado não supervisionado: agrupamento com k-means e Dbscan
- Combinar as abordagens supervisionadas e não supervisionadas para obter resultados mais úteis.
- Um problema clássico não supervisionado: a redução de dimensão. Análise de componentes principais e seleção de características
Análise de texto, web scraping
4 horas
4.1 Mineração de texto
Explorar dados textuais
- Esclarecimento da terminologia e dos possíveis casos de uso: NLP, NLU, NLG, NER
- Possíveis fontes de dados a serem utilizadas em um projeto
- As etapas do pré-processamento de texto: limpeza, tratamento de caracteres especiais, lematização e raicização
- Principais algoritmos: TF-IDF, Análise Latente de Dirichlet, Word2Vec, Doc2Vec, …
4.2 Web scraping
Extração de dados da web: diferentes abordagens e aplicação prática
- Coleta de dados na web: uso de APIs versus web scraping. Custos e limitações das duas abordagens.
- Pacotes utilizados: urllib e beautifulsoup. Tarefa prática relacionada
- Restrições legais: não temos o direito de fazer tudo o que somos capazes de fazer!
Caso de estudo – Análise de dados
4 horas
5.1 Apropriação do conjunto de dados
Preparação para um projeto de Data
- Apresentação da plataforma Kaggle e extração de um conjunto de dados
- Exploração de dados: tipos de colunas / valores ausentes ou atípicos, distribuição dos valores.
- Visualização de dados: gráficos univariados e bivariados, correlação entre características
- Manipulação de variáveis: valores ausentes, outliers, tratamento de variáveis categóricas e engenharia de características
Estudo de caso – modelagem e previsão
3 horas
6.1 Criação de modelo
Calibração de um modelo
- Criação de um conjunto de dados de treinamento e validação, definição da métrica de pontuação.
- Seleção dos modelos a serem testados e seu treinamento. Medição do desempenho no conjunto de trens.
- Calibração do modelo: validação cruzada, ajuste de hiperparâmetros (busca por grade).
6.2 Previsão
Avaliar o desempenho do modelo
- Previsão no conjunto de teste. Correção de bugs em caso de problemas (por exemplo, variável categórica desconhecida)
- Medição do desempenho das previsões no conjunto de teste e comparações com as métricas do conjunto de treinamento.
- Análise dos resultados, identificação do modelo mais eficaz, discussão sobre possíveis medidas de melhoria.
