Neste curso vamos discutir a pacote mais poderoso do software R utilizado em machine learning. Este pacote é conhecido como caret. Neste curso nós aprenderemos a rodar modelos de regressão e de classificação usando este pacote, além de aprender a fazer pré-processamento de dados, sintonização de hiper parâmetros, avaliação e seleção de modelos de machine learning. Todos os temas serão acompanhados com exercícios propostos e aulas específicas para resolução dos exercícios. 

Neste curso vamos discutir quatro modelos comumente utilizados em machine learning. Começaremos pelo modelo mais simples conhecido por nearest neighbors, passaremos por um modelo bayesiano conhecido como naive bayes, explicaremos um modelo de regressão chamado regressão logistica, e por fim, o modelo mais utilizado para classificação conhecido com random forest. Todos os assuntos serão acompanhados com exercícios propostos e aulas específicas para resolução dos exercícios. 

Neste curso vamos discutir um dos principais tipos de análise que podemos realizar via machine learning, que são as análises de regressão. No conceito de machine leanring, análise de regressão são qualquer analise onde a variável resposta tem distribuição contínua. Ao longo do curso nós estudaremos os seguintes modelos: regressão linear, regressão linear generalizada com distribuição binomial, regressão linear generalizada com distribuição de poisson e quasipoisson, modelos aditivos generalizados, random forest e gradient boost machine. Todos os assuntos serão acompanhados com exercícios propostos e aulas específicas para resolução dos exercícios. 

Neste curso você vai aprender como melhorar a performance do modelo de machine learning através da sintonização de hiper-parâmetros. Você aprenderá os 3 principais pacotes do R para trabalhar com sintonização de hiper-parâmetros que são: caret, h2o e mlr. 

Neste curso você vai aprender como manipular variáveis para rodar nos modelos de machine learning. Aqui você vai aprender a manipular variáveis categóricas, variáveis numéricas, fazer transformação nestas variáveis, fazer combinação de variáveis, entre outros assuntos. 

Neste curso você vai aprender como trabalhar com dados perdidos. Você vai aprender como visualizar dados perdidos utilizando o pacote naniar, vai aprender qual o fluxo correto para trabalhar com dados perdidos e vai aprender as principais metodologias para fazer imputação de dados. 

Neste curso vamos discutir um dos 3 módulos mais importantes do python para rodar modelos de machine learning, conhecido como scikit-learn. Aqui você estudará sobre modelos de classificação (exemplificado pelo K-nearest neighbors) e modelos de regressão (exemplificado pela regressão linear múltipla), além da regressão logística que pode ser usado tanto para classificação quanto para regressão. Além disso vamos aprender a fazer de forma correta o pré-processamento dos dados manipulando dados categóricos, dados com informações perdidas e dados com diferentes escalas. Estudaremos ainda os conceitos de cross validation, regularized regression e avaliação de modelos. 

Neste curso você vai aprender os modelos básicos de machine learning utilizando o software python. São vários assuntos abordados como árvore de classificação, árvore de regressão, random forest, adaboost, gradient boosting e stochastic gradient boosting. Além destas metodologias, também é ensinado conceitos de generalization error, ensemble method e bagging. Finalizando o curso com uma introdução ao estudo de hyperparameetrs tuning em árvore de classificação e regressão, e random forest. 

Neste curso vamos discutir conceitos básicos de machine learning, além de abordar a utilização do software weka. Assim, o participante aprenderá a instalar e configurar o software weka, aprender as ferramentas mais utilizadas para machine leanring dentro do software. Você aprenderá como montar o arquivo arff para ser utilizado no weka. Também será realizado um estudo de caso utilizando redes neurais artificiais. 

Neste curso vamos discutir conceitos avançados de machine learning. Assim, o participante poderá aprender sobre 3 metodologias amplamente utilizadas em machine learning que são: árvore de decisão, random forest e máquina de vetor de suporte. Além disso, você aprenderá a selecionar a melhor metodologia para o seu arquivo de dados.