Introdução ao Machine Learning

Machine Learning

A capacidade de rastrear, gerenciar e analisar informações é forma de garantir aos gestores os elementos necessários para uma melhor tomada de decisões. Estamos diante de uma nova era tecnológica e o conhecimento sobre dados representa um ponto importante para ganhar competitividade. Os algoritmos de machine learning se tornam uma excelente e essencial estratégia para iniciar o processo de transformação digital. Adicionar ao currículo um curso que te capacita com conhecimentos sobre métodos de machine learning a partir de atividades práticas no software estatístico R é essencial.

Sobre o curso

O curso proporcionará ao participante a capacidade de elaborar um projeto de Machine Learning, desenvolvendo a
análise crítica necessária para escolher, ajustar, avaliar e interpretar modelos preditivos a partir de
atividades práticas no software estatístico R. Ocorrerão 8 aulas online e ao vivo, totalizando 21 horas de carga horária. Todas as aulas ficarão disponíveis no Google Classroom. Material exclusivo disponibilizado na primeira aula.

Investimento

R$ 600,00

O curso Introdução ao Machine Learning tem como objetivo fornecer aos participantes o conhecimento sobre as etapas essenciais de um projeto de Machine Learning, desenvolvendo sua análise crítica necessária para escolher, ajustar, avaliar e interpretar modelos preditivos a partir de atividades práticas no software estatístico R.

Data e horário: 12/06/2023 a 05/07/2023 – segundas e quartas, de 18:30 a 21:30

Local: 100% online, com aulas ao vivo. (aulas gravadas para posterior disponibilização na plataforma do google classroom)

Inscrições: até 05/06/2023

Inscreva-se aqui

Programa do curso

1. Machine Learning

1.1. A ideia geral do machine learning.

1.2. Modelagem preditiva.

1.3. Usabilidade.

1.4. Métricas de comparação e função custo.

2. Conceitos gerais

2.1. Overfitting.

2.2. Hiperparâmetros.

2.3. Bases de treino, teste e validação.

2.4. Validação cruzada.

2.5. Trade-off viés/variância.

3. Regressão versus Classificação

4. Modelos de árvores

4.1. Árvores de decisão.

4.2. GINI e entropia.

4.4. Randon forest.

5. Tuning do modelo

5.1. Overfitting e validação cruzada.

5.2. Performances preditiva e de ajuste.

6. Gradient Boosting (XGBoost)

6.1. Entendendo o XGBoost

6.2. Construindo um XGBoost passo a passo

Equipe

Jessica Kubrusly

Ministrante. Professora do Instituto de Matemática e Estatística da UFF. Doutora em Matemática pelo PUC/Rio.

Patrícia Lusié

Professora do Instituto de Matemática e Estatística da UFF. Doutora em Estatística pelo IM/UFRJ.

Rafael Erbisti

Professor do Instituto de Matemática e Estatística da UFF. Doutor em Estatística pelo IM/UFRJ.